پیشبینی بخشش بر اساس خوشبینی و همدلی در محصلان پوهنځی تعلیم و تربیه پوهنتون شیخ زاید-خوست
Journal of Social Sciences - Kabul University · 19.04.2026 · 8 (4) · 21-40
DOI: 10.62810/jss.v8i4.444 ↗Kurz gefasst
Fachartikel in der Zeitschrift Journal of Social Sciences - Kabul University, online erschienen am 19.04.2026. Verfasst von احسان الله احسان und 2 weiteren Autor:innen. Die Arbeit nennt 43 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY-NC 4.0).
Abstract (Originalsprache)
هدف تحقیق، پیشبینی بخشش بر اساس خوشبینی و همدلی در میان محصلان پوهنځی تعلیم و تربیه پوهنتون شیخ زاید بود. روش تحقیق توصیفی–همبستگی بود. جامعه آماری را محصلان پوهنځی تعلیم و تربیه تشکیل میدادند که از میان آنان ۱۹۶ تن بهعنوان نمونه به روش نمونهگیری تصادفی چندمرحلهای انتخاب شدند. پس از حذف پرسشنامههای ناقص، دادههای ۱۱۷ نفر مورد تحلیل قرار گرفت. ابزار تحقیق شامل مقیاس بخشش تامپسون (2005)، مقیاس همدلی (EQ-8) و مقیاس خوشبینی شییر و کارور (1994) بود. اصلاعات با استفاده از ضریب همبستگی پیرسون و تحلیل رگرسیون چندگانه در برنامه SPSS-22 تحلیل شد. نتایج نشان داد که میان بخشش با خوشبینی و همدلی رابطه مثبت و معناداری وجود دارد. همچنین خوشبینی و همدلی توان پیشبینی بخشش را داشتند. با توجه به نقش این دو متغیر در پیشبینی بخشش، میتوان گفت که اقداماتی در جهت تقویت خوشبینی و همدلی میتواند به افزایش بخشش در میان افراد بینجامد.
Zitieren
APA
احسان, ا. ا., خپلواک, م. ط., & ویاړ, س. (2026). پیشبینی بخشش بر اساس خوشبینی و همدلی در محصلان پوهنځی تعلیم و تربیه پوهنتون شیخ زاید-خوست. Journal of Social Sciences - Kabul University, 8(4), 21-40. https://doi.org/10.62810/jss.v8i4.444
Vancouver
احسان اا, خپلواک مط, ویاړ س. پیشبینی بخشش بر اساس خوشبینی و همدلی در محصلان پوهنځی تعلیم و تربیه پوهنتون شیخ زاید-خوست. Journal of Social Sciences - Kabul University. 2026;8(4):21-40. doi:10.62810/jss.v8i4.444
BibTeX
@article{2026,
author = {احسان, احسان الله and خپلواک, محمد طاهر and ویاړ, سیدشاهګل},
title = {پیشبینی بخشش بر اساس خوشبینی و همدلی در محصلان پوهنځی تعلیم و تربیه پوهنتون شیخ زاید-خوست},
journal = {Journal of Social Sciences - Kabul University},
year = {2026},
volume = {8},
number = {4},
pages = {21--40},
doi = {10.62810/jss.v8i4.444}
}
EUVIMED