Manajemen Layanan Bimbingan dan Konseling dalam Menghadapi Dampak Pandemi Covid-19 Di SMAN 1 Terara Lombok Timur
Bibliographic record
Abstract
Penelitian ini bertujuan untuk mendeskripsikan manajemen layanan bimbingan dan konseling yang dilakukan di SMAN 1 Terara dalam menghadapi dampak pandemi Covid-19. Digunakan pendekatan kualitatif dengan jenis studi kasus sebagai metode penelitian. Teknik observasi, wawancara, dan dokumentasi digunakan sebagai alat pengumpul data. Analisis data melalui pengumpulan data, reduksi data, penyajian data dan penarikan kesimpulan. Hasil penelitian menunjukkan: (1) Perencanaan dilakukan dengan mengumpulkan informasi dari seluruh warga sekolah dan membagikan angket kebutuhan kepada siswa. Informasi yang didapat dianalisis dan disusun dalam bentuk program apa saja yang dibutuhkan siswa diikuti dengan waktu pelaksanaannya. Kemudian program yang telah tersusun dikonsultasikan dan disahkan oleh kepala sekolah; (2) Tahap pengorganisasian dilakukan dengan pembagian siswa asuh kepada masing-masing guru BK, pembagian tugas dan wewenang, dan penetapan alur layanan BK kepada masing-masing warga sekolah yang terlibat; (3) Pelaksanaan layanan bimbingan dan konseling di SMAN 1 Terara tidak berjalan sepenuhnya sebagaimana perencanaan program yang telah dibuat. Pemberian layanan BK lebih banyak disesuaikan dengan kebutuhan siswa mengikuti asas kekinian sebagai sasaran kegiatan bimbingan dan konseling; (4) kendala yang ditemui yaitu kurangnya jumlah guru bimbingan dan konseling, tidak tersedianya waktu khusus dalam jadwal pelajaran, tidak sampainya informasi yang utuh kepada orang tua/wali siswa, dan adanya persepsi negatif pada siswa tentang BK.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.001 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.077 | 0.014 |
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".