Psikolojik Danışman Adaylarının Aleksitimik Özellikleri İle İletişim Becerileri ve Empati Düzeyleri Arasındaki İlişkinin İncelenmesi
Bibliographic record
Abstract
Bu araştırmada psikolojik danışman adaylarının aleksitimik özellikleri, iletişim becerileri ve empati düzeyleri arasındaki ilişki ve aleksitimik özelliklerin demografik değişkenlere göre farklılaşıp farklılaşmadığı araştırılmıştır. Araştırmanın çalışma grubunu 2020-2021 ve 2021-2022 öğretim yılında farklı üniversitelerin Rehberlik ve Psikolojik Danışmanlık bölümlerinde okuyan 201 öğrenci oluşturmaktadır. Çalışma grubunda yer alan öğrencilerin 154’ü kadın 47’si erkektir. Araştırmada veri toplama araçları olarak İletişim Becerileri Ölçeği, Temel Empati Ölçeği ve Toronto Aleksitimi Ölçeği Türkçe Formu’ndan yararlanılmıştır. Araştırma sonucunda iletişim becerileri ve empati düzeyleri yüksek olan psikolojik danışman adaylarının aleksitimi puanlarının daha düşük olduğu saptanmıştır. İletişim becerileri ve empati becerisi arttıkça aleksitimik özellikler zayıflamaktadır. Ayrıca psikolojik danışman adaylarının aleksitimik özelliklerinin cinsiyete ve psikolojik yardım alma durumuna göre farklılaşmadığı; iletişim dersi alma durumuna göre farklılaştığı saptanmıştır. Etkili bir psikolojik danışma hizmeti verilmesi bakımından psikolojik danışmanların hem kendi duygularını tanıması, ifade edebilmesi hem de bireylerin duygularını tanıması gerekmektedir. Psikolojik danışman adaylarının eğitiminde duyguları tanıma, ifade etme, iletişim becerileri ve empati gibi becerilerin geliştirilmesi bu bakımdan önem arz etmektedir.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.034 | 0.007 |
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".