Pelatihan pengolahan dan analisis data menggunakan aplikasi SPSS
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Keahlian yang mendalam dalam mengelola serta menganalisis data penelitian bukan sekadar suatu keahlian tambahan, tetapi menjadi kunci utama dalam menghasilkan temuan yang tidak hanya signifikan tetapi juga dapat diandalkan. Data merupakan informasi utama dalam pengambilan keputusan yang efektif dan efisien. Namun, sebagian individu masih kesulitan menghadapi tantangan dalam mengolah dan menganalisis data secara akurat dan tepat. Salah satu alat yang sangat berguna dalam pengolahan data adalah aplikasi SPSS (Statistical Package for the Social Sciences). Pelatihan dilaksanakan pada 21 September 2024 melalui Google Meet. Tujuan penelitian ini untuk mengajarkan peserta bukan hanya bagaimana menggunakan SPSS sebagai alat, tetapi juga bagaimana merancang dan menjalankan analisis data yang akurat dan valid. Metode pelaksanaan menggunakan metode ceramah, praktik dan diskusi. Hasil evaluasi menunjukkan peningkatan signifikan dalam kompetensi peserta, dengan rata-rata skor pretest 37,5 meningkat menjadi 80 pada posttest. Berdasarkan hasil tersebut disimpulkan pelatihan ini berhasil meningkatkan kapasitas peserta dalam analisis data, terutama di kalangan akademisi dan pendidik, sehingga diharapkan dapat mendukung pengembangan ilmu pengetahuan di berbagai sektor pendidikan.
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.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.004 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.003 |
| Open science | 0.004 | 0.004 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 0.021 |
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 it