Alat Bantu Pengidentifikasi Tingkat Stres Mahasiswa Yang Sedang Mengerjakan Tugas Akhir/skripsi
Bibliographic record
Abstract
Mahasiswa tingkat akhir yang sedang mengerjakan Tugas Akhir/skripsi rentan mengalami stres. Stres bisa disebabkan berbagai macam penyebab terutama adanya tekanan karena beban yang cukup berat. Mahasiswa yang mengalami stres sebaiknya segera mendapatkan solusi sehingga tidak mengganggu proses penyelesaian Tugas Akhir/skripsi. Sangat penting bagi mahasiswa yang sedang mengerjakan Tugas Akhir untuk dapat mengidentifikasi dirinya sendiri apakah sedang stres atau tidak, demikian juga bagi institusi pendidikan. Pendekatan sistem informasi berbasis komputer, dalam hal ini adalah sistem pakar dapat digunakan sebagai alat bantu untuk mengidentifikasi tingkat stres pada mahasiswa. Sistem ini tidak bermaksud menggantikan peran psikolog sebagai pakar yang biasa menangani orang-orang yang terganggu karena mengalami tekanan. Alat bantu ini memiliki fasilitas untuk konsultasi bagi mahasiswa yang sedang mengerjakan Tugas Akhir/skripsi dan fasilitas akuisisi pengetahuan bagi pakar. Untuk mengetahui tingkat keyakinan terhadap hasil identifikasi tingkat stres mahasiswa, sistem ini menggunakan metode Certainty Factor. Kata Kunci : pakar, pengetahuan, skripsi, stres
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 | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.006 | 0.003 |
| Scholarly communication | 0.006 | 0.005 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.046 | 0.011 |
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".