Prediksi Pengembangan Diri Masyarakat dalam Masa Quarter Life-Crisis melalui Instagram Stories
Notice bibliographique
Résumé
Penelitian ini bertujuan untuk menguji dan membuktikan secara empiris: 1) Prediksi pengembangan diri masyarakat melalui fungsi Instagram; 2) Prediksi pengembangan diri masyarakat melalui Quarter Life-Crisis; 3) Prediksi pengembangan diri masyarakat melalui fungsi Instagram Stories dan Quarter Life-Crisis secara simultan; dan 4) dan prediksi pengembangan diri masyarakat melalui fungsi Instagram Stories dengan dimediasi oleh Quarter Life-Crisis. Diharapkan hasil penelitian ini secara teoritis dapat bermanfaat bagi akademisi dan praktisi, terutama untuk menambah ilmu pengetahuan di bidang ilmu komunikasi.Penelitian ini menggunakan metode penelitian kuantitatif dengan teknik purposive sampling dengan jumlah sampel 100 responden. Metode pengumpulan data dilakukan dengan cara penyebaran kuisoner, wawancara langsung dan dokumentasi. Data dianalisis menggunakan software SPSS 27 for windows. Hasil penelitian ini menunjukkan: 1) Prediksi positif dan signifikan pengembangan diri melalui fungsi Instagram; 2) Prediksi negatif dan signifikan pengembangan diri melalui Quarter Life-Crisis; 3) Prediksi positif dan signifikan pengembangan diri melalui fungsi Instagram Stories dan Quarter Life-Crisis secara simultan; dan 4) Efek mediasi yang signifikan dari Quarter Life-Crisis pada fungsi Instagram Stories dan pengembangan diri.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,037 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».