The Effect of Sociodemographic Variables and Empathy on Ageism in Social Work Students
Bibliographic record
Abstract
Bu araştırma sosyal hizmet öğrencilerinin bazı sosyodemografik değişkenler (cinsiyet, sınıf düzeyi, aile tipi) ve empatinin yaşlı ayrımcılığına etkisini incelemeyi amaçlamaktadır. Araştırmanın amacına uygun olarak tarama modeli kullanılmıştır. Araştırmaya 112’si (%27,3) erkek ve 299’u (%72,7) kadın olmak üzere 411 sosyal hizmet öğrencisi katılmıştır. Öğrencilerin yaş ortalaması x̄=21,67±3,32’dir. Araştırmanın verileri Kişisel Bilgi Formu, Toronto Empati Ölçeği ve Yaşlı Ayrımcılığı Tutum Ölçeği kullanılarak toplanmıştır. Normal dağılım gösteren veriler, korelasyon ve çoklu doğrusal regresyon analizleri kullanılarak analiz edilmiştir. Yapılan analizler sonucunda öğrencilerin düşük düzeyde yaşlı ayrımcılığına ve yüksek düzeyde empatiye sahip olduğu görülmüştür. Cinsiyet, sınıf düzeyi, aile tipi ve empati ile yaşlı ayrımcılığı arasında negatif yönlü anlamlı bir ilişki olduğu tespit edilmiştir. Yapılan çoklu doğrusal regresyon analizinde de cinsiyetin, sınıf düzeyinin, aile tipinin ve empati düzeyinin sosyal hizmet öğrencilerinin yaşlı ayrımcılığını anlamlı düzeyde etkilediği sonucuna ulaşılmıştır. Araştırma sonuçları literatürdeki çalışmalar çerçevesinde tartışılmış ve araştırmanın bulgularından yola çıkarak birtakım öneriler sunulmuştur.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.001 |
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".