Mağdurlara Yönelik Önyargıların Belirleyicileri Olarak Empati ve Adil Dünya İnancı: Sosyal Hizmet Kuruluşları Örneği
Bibliographic record
Abstract
Bu çalışma sosyal hizmet alanında çalışan profesyonellerin empati, adil dünya inancı ve mağdurlara yönelik ön yargıları arasındaki ilişkiyi ortaya koymayı amaçlamaktadır. İlişkisel tarama modelinin kullanıldığı araştırmada sosyo-demografik bilgi formu, Mağdurlara Yönelik Algılar Ölçeği, Toronto Empati Ölçeği ile Adil Dünya İnancı Ölçeği kullanılmıştır. Araştırmaya kolayda ve kartopu örnekleme tekniğiyle ulaşılabilen 408 kişi katılmıştır. Verilerin analizinde çoklu doğrusal regresyon analizinden faydalanılmıştır. Bulgular meslek elemanlarının mağdurlara yönelik ön yargılarının düşük, empati düzeylerinin yüksek, adil dünya inançlarının orta ve adil olmayan dünya inançlarının yüksek olduğunu göstermektedir. Empati ve adil dünya inancının mağdurlara yönelik önyargılarla ilişkisi varken, adil olmayan dünya inancı alt boyutunun mağdurlara ilgili önyargılarla ilişkisi saptanmamıştır. Empati ve adil dünya inancı mağdurlara yönelik ön yargının %36’sını açıklamaktadır. Empati mağdurlara yönelik ön yargıyı negatif, adil dünya inancının ise pozitif yönlü etkilemektedir. Bulgulardan hareketle sosyal hizmet kuruluşlarında çalışma potansiyeli bulunan meslek gruplarının mağdurlarda ikincil mağduriyet oluşturmamaları için hem lisans sürecinde hem de mesleğe başladıklarında empati düzeylerini yükseltmek ve adil dünya inançlarını düşürmek amacıyla eğitimler vermenin önemini ortaya koymaktadır.
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.015 | 0.003 |
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".