Meningkatkan Inklusi dalam Indeks Literasi Digital Nasional: Dari Pengukuran hingga Pemberdayaan
Bibliographic record
Abstract
Direktorat Jenderal Aplikasi Informatika (Ditjen Aptika) Kementerian Komunikasi dan Informatika (Kemenkominfo) telah menyusun indeks literasi digital untuk menilai kondisi literasi digital nasional, memetakan kompetensi digital penduduk Indonesia, dan mengembangkan kerangka kerja guna mengukur literasi digital di 34 provinsi di Indonesia. Indeks ini akan membantu Ditjen Aptika untuk menyediakan pelatihan literasi digital kepada 50 juta warga Indonesia pada 2024, sebagaimana tertuang dalam Rencana Strategis (Renstra) Kemenkominfo tahun 2020-2024. Indeks literasi digital ini menggunakan instrumen penilaian diri (self-assessment) untuk mengukur kompetensi-kompetensi literasi digital utama, seperti pengetahuan dan kemampuan untuk mengoperasikan alat-alat digital. Namun, terdapat isu ketidakakuratan teknis dan operasional dalam metode penilaian ini. Akibatnya, Ditjen Aptika tidak dapat mengidentifikasi keterampilanketerampilan spesifik yang kurang dikuasai warga Indonesia atau segmen masyarakat yang membutuhkan lebih banyak dukungan literasi digital. Persoalan ini menghambat pengembangan program pelatihan literasi digital yang efektif dan tertarget. Melihat keterbatasan metode penilaian diri (self-assessment), Ditjen Aptika perlu menggunakan penilaian berbasis kinerja untuk mengevaluasi kompetensi teknis dan operasional dalam digital skill dan pengetahuan terkait aspek literasi digital lainnya, seperti digital safety, digital culture, dan digital ethics. Penilaian berbasis kinerja dapat mengevaluasi hasil berbagai tugas yang disimulasikan dengan menggunakan perangkat lunak untuk menilai kemampuan mengoperasikan perangkat keras (komputer) dan perangkat lunak (contoh: peramban web, surat elektronik, pengaturan virus/privasi), serta pengetahuan terkait komponen literasi digital lainnya (misalnya, digital safety). Ditjen Aptika perlu mempertimbangkan Penilaian Literasi Teknologi Informasi dan Komunikasi (TIK) iSkills (iSkills Assessment for ICT Literacy) yang dikembangkan oleh Educational Testing Service (ETS) karena skenario-skenario yang dinilai sesuai dengan tugas-tugas yang ditetapkan sebagai indikator dalam pilar digital skills dalam indeks literasi digital. Untuk mengevaluasi kemampuan mengenali berita palsu secara akurat, Ditjen Aptika dapat membuat pengguna mengategorikan mana judul berita yang salah dalam sekumpulan judul acak. Hal ini akan membantu DitjenAptika meningkatkan reliabilitas penilaian dan mengurangi kemungkinan pengguna hanya menebak-nebak. Uji kemampuan membedakan (discernment ability test) yang dikembangkan oleh Benjamin A. Lyons dapat dijadikan acuan. Ditjen Aptika seyogianya menyediakan opsi penilaian berbasis kertas (paper-based) untuk mengevaluasi digital skill maupun kemampuan mengidentifikasi berita palsu sebagai solusi keterbatasan akses perangkat keras dan internet di sejumlah daerah di Indonesia. Ditjen Aptika dapat mengacu kepada Uji Literasi Teknologi dan Informasi (Test of Technological and Information Literacy atau TILT) yang menguji tujuh komponen literasi TIK yang tercakup dalam iSkills Assessment ETS untuk mengembangkan penilaian berbasis kertas ini. Evaluasi keterampilan lunak (soft skills), seperti digital culture dan digital ethics, cocok dengan penilaian penilaian diri. Teknik kualitas data, seperti teknik klaim berlebihan (overclaiming), perlu diterapkan untuk memperbaiki metodologi penilaian mandiri yang digunakan oleh Ditjen Aptika. Ditjen Aptika perlu mengembangkan analisis diferensial untuk kelompok masyarakat perdesaan dan anak-anak usia sekolah yang mengidentifikasi berbagai tantangan, keterampilan, dan kapasitas unik setiap target demografi tersebut. Informasi ini akan menjadi dasar pengembangan program-program pelatihan dan dukungan literasi digital tertarget untuk memenuhi kebutuhan literasi digital segmen-segmen masyarakat yang beragam dan rentan. Ditjen Aptika dapat memanfaatkan wawasan dari indeks dengan menggunakan data indeks untuk menilai kinerja tahunan pemerintah daerah dalam meningkatkan literasi digital. Dari penilaian kinerja inilah jumlah anggaran untuk daerah dapat dialokasikan. Kebijakan ini akan mendorong pengembangan inisiatif dan strategi literasi digital yang inovatif dan tertarget serta memotivasi para pemangku kepentingan untuk mempertahankan kinerja yang baik pada indeks.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.011 | 0.006 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.043 | 0.007 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".