Penerapan E-Government Pada Layanan Informasi Melalui Website Open Palement di Indonesian Parliamentary Center (IPC)
Bibliographic record
Abstract
Penerapan E-Government melalui website Open Parlement di Indonesia Parliamentary Center (IPC) bertujuan untuk meningkatkan transparansi, akuntabilitas, dan partisipasi publik dalam proses legislasi. Penelitian ini menggunakan pendekatan deskriptif kualitatif untuk mengevaluasi dampak dan tantangan implementasi E-Government di IPC. Hasil penelitian menunjukkan bahwa website Open Parlement telah berhasil meningkatkan akses informasi, memungkinkan pengawasan publik yang lebih efektif, serta mendorong partisipasi aktif masyarakat dalam proses legislasi melalui fitur forum diskusi dan pelaporan publik. Digitalisasi dokumen dan proses legislasi juga telah meningkatkan efisiensi dan efektivitas kerja parlemen. Selain itu, peningkatan transparansi dan akuntabilitas melalui website ini telah memperkuat kepercayaan publik terhadap parlemen dan proses legislasi. Namun, beberapa tantangan masih dihadapi, termasuk keterbatasan infrastruktur teknologi di daerah terpencil, tingkat literasi digital yang bervariasi di kalangan masyarakat, dan masalah keamanan data. Rekomendasi untuk mengatasi tantangan tersebut meliputi peningkatan investasi dalam infrastruktur teknologi, perluasan program pelatihan literasi digital, dan pengembangan kebijakan keamanan data yang lebih ketat. Penerapan E-Government melalui website Open Parlement di IPC merupakan langkah penting dalam mendukung demokrasi yang lebih baik di Indonesia. Dengan mengatasi tantangan yang ada dan memanfaatkan teknologi secara efektif, IPC dapat terus meningkatkan kualitas layanan informasi dan memperkuat hubungan antara parlemen dan masyarakat, sehingga tercipta pemerintahan yang lebih transparan, akuntabel, dan partisipatif.
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.008 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.107 | 0.048 |
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".