EFEKTIVITAS MODELING TERHADAP PENINGKATAN EMPATI PADA REMAJA DI UPTD KAMPUNG ANAK NEGERI KOTA SURABAYA
Notice bibliographique
Résumé
Remaja memiliki tugas perkembangan untuk mencari identitas diri, dan \ncenderung memiliki gaya pemikiran egosentris, sehingga lebih memperhatikan diri \nsendiri daripada orang lain. Gaya pemikiran egosentris, serta kurangnya pembelajaran \nempati, akan memunculkan permasalahan pada remaja, ketika empati yang dimiliki \nrendah. Penelitian ini menerapkan modeling simbolis, berupa pemutaran tayangan \nberisi penerapan empati, dilanjutkan dengan roleplay dan diskusi mengenai tayangan \nserta pengalaman berempati yang pernah diterapkan. \nTujuan penelitian ini adalah untuk mengetahui efektivitas modeling dalam \nmeningkatkan empati pada remaja di UPTD Kampung Anak Negeri Kota Surabaya. \nEnam remaja berusia 11-16 tahun menjadi partisipan dalam penelitian ini. Tingkat \nempati partisipan diukur menggunakan Toronto Empathy Questionnaire (TEQ). \nDesain penelitian yang digunakan adalah the one group pretest-posttest design. \nIntervensi diberikan dalam 4 sesi, selama 4 hari. Data akan dianalisis secara deskriptif \ndan menggunakan analisis non parametrik Wilcoxon signed rank test. \nAnalisis deskriptif menunjukkan bahwa partisipan mampu menerapkan empati \ndalam kehidupan sehari-hari, dan menjelaskan contoh penerapan empati dalam \ntayangan. Nilai Asymp.Sig. (2-tailed) dalam uji Wilcoxon, menunjukkan bahwa \nterdapat perbedaan signifikan antara perolehan nilai sebelum dengan setelah intervensi. \nNilai size effect, menunjukkan bahwa modeling efektif dalam meningkatkan empati \npartisipan. Peningkatan respon terbanyak terlihat pada indikator altruisme, yaitu sikap \ningin menolong orang lain, yang didasari oleh adanya perasaan positif setelah \nmelakukan kegiatan tersebut.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».