Üniversite Öğrencilerinin Mutluluk Düzeylerinin Yordayıcıları: Empati ve Duygusal Zeka
Bibliographic record
Abstract
Araştırmada üniversite öğrencilerinin duygusal zeka ile empati düzeylerinin mutluluk düzeylerini yordaması incelenmiştir. Araştıma mutluluk kavramını üzerine mutluluk düzeyinin arttıracak kavramlar açısından ele alınmıştır. Araştırma verileri bir devlet üniversitesinin eğitim fakültesinde 2022-2023 eğitim-öğretim yılında öğrenim gören farklı bölümlerin erişilebilir kolay örneklem yoluyla toplanmıştır. Araştırmaya toplamda 420 öğrenci katılmıştır. Katılan öğrencilerin yaş aralığı 17-29, cinsiyet olarak ise 106 erkek, 314 kız öğrenci mevcuttur. Veri toplamak için Toronto Empati Ölçeği ve Oxford Mutluluk Ölçeği-Kısa Formu, Duygusal Zeka Özelliği Ölçeği–Kısa Formu, kullanılmıştır. Araştırma verilerinin analizi Spss 26 paket programı ile analiz edilmiş, analiz için Pearson moment çarpım korelasyonu ve çoklu regrasyon analiz tekniği kullanılmıştır. İlk olarak basıklık çarpıklık değerlerine, ikinci olarak güvenirlik analizine, üçüncü olarak korelasyon ilişkisine ve son olarak da çoklu regrasyon analizine bakılmıştır. Araştırmada duygusal zeka, empati ve mutluluk arasındaki ilişkiye bakılmış olup pozitif yönde anlamlı ilişkiler bulunmuştur. Sonuç olarak duygusal zeka ve empatinin mutluluk varyansının %25’ini açıkladığı tespit edilmiştir.
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 | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.037 | 0.006 |
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".