Pelatihan pengolahan dan analisis data menggunakan aplikasi SPSS
Notice bibliographique
Résumé
Keahlian yang mendalam dalam mengelola serta menganalisis data penelitian bukan sekadar suatu keahlian tambahan, tetapi menjadi kunci utama dalam menghasilkan temuan yang tidak hanya signifikan tetapi juga dapat diandalkan. Data merupakan informasi utama dalam pengambilan keputusan yang efektif dan efisien. Namun, sebagian individu masih kesulitan menghadapi tantangan dalam mengolah dan menganalisis data secara akurat dan tepat. Salah satu alat yang sangat berguna dalam pengolahan data adalah aplikasi SPSS (Statistical Package for the Social Sciences). Pelatihan dilaksanakan pada 21 September 2024 melalui Google Meet. Tujuan penelitian ini untuk mengajarkan peserta bukan hanya bagaimana menggunakan SPSS sebagai alat, tetapi juga bagaimana merancang dan menjalankan analisis data yang akurat dan valid. Metode pelaksanaan menggunakan metode ceramah, praktik dan diskusi. Hasil evaluasi menunjukkan peningkatan signifikan dalam kompetensi peserta, dengan rata-rata skor pretest 37,5 meningkat menjadi 80 pada posttest. Berdasarkan hasil tersebut disimpulkan pelatihan ini berhasil meningkatkan kapasitas peserta dalam analisis data, terutama di kalangan akademisi dan pendidik, sehingga diharapkan dapat mendukung pengembangan ilmu pengetahuan di berbagai sektor pendidikan.
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 | 0,040 | 0,174 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,007 | 0,009 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,008 | 0,006 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,094 | 0,029 |
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 ».