EFEKTIVITAS MODELING TERHADAP PENINGKATAN EMPATI PADA REMAJA DI UPTD KAMPUNG ANAK NEGERI KOTA SURABAYA
Bibliographic record
Abstract
Remaja memiliki tugas perkembangan untuk mencari identitas diri, dan \ncenderung memiliki gaya pemikiran egosentris, sehingga lebih memperhatikan diri \nsendiri daripada orang lain. Gaya pemikiran egosentris, serta kurangnya pembelajaran \nempati, akan memunculkan permasalahan pada remaja, ketika empati yang dimiliki \nrendah. Penelitian ini menerapkan modeling simbolis, berupa pemutaran tayangan \nberisi penerapan empati, dilanjutkan dengan roleplay dan diskusi mengenai tayangan \nserta pengalaman berempati yang pernah diterapkan. \nTujuan penelitian ini adalah untuk mengetahui efektivitas modeling dalam \nmeningkatkan empati pada remaja di UPTD Kampung Anak Negeri Kota Surabaya. \nEnam remaja berusia 11-16 tahun menjadi partisipan dalam penelitian ini. Tingkat \nempati partisipan diukur menggunakan Toronto Empathy Questionnaire (TEQ). \nDesain penelitian yang digunakan adalah the one group pretest-posttest design. \nIntervensi diberikan dalam 4 sesi, selama 4 hari. Data akan dianalisis secara deskriptif \ndan menggunakan analisis non parametrik Wilcoxon signed rank test. \nAnalisis deskriptif menunjukkan bahwa partisipan mampu menerapkan empati \ndalam kehidupan sehari-hari, dan menjelaskan contoh penerapan empati dalam \ntayangan. Nilai Asymp.Sig. (2-tailed) dalam uji Wilcoxon, menunjukkan bahwa \nterdapat perbedaan signifikan antara perolehan nilai sebelum dengan setelah intervensi. \nNilai size effect, menunjukkan bahwa modeling efektif dalam meningkatkan empati \npartisipan. Peningkatan respon terbanyak terlihat pada indikator altruisme, yaitu sikap \ningin menolong orang lain, yang didasari oleh adanya perasaan positif setelah \nmelakukan kegiatan tersebut.
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 | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.018 | 0.004 |
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".