MétaCan
Menu
Retour à la cohorte
Enregistrement W7033708533

Siivouskoneiden saatavuuden ja käytettävyyden kartoittaminen TAYS:n sairaalahuollossa

2023· other· fi· W7033708533 sur OpenAlexaboutno aff

Notice bibliographique

RevueTheseus (Ammattikorkeakoulujen) · 2023
Typeother
Languefi
DomaineEnvironmental Science
ThématiqueFinance, Taxation, and Governance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésQuarter (Canadian coin)Set (abstract data type)
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Siivouskoneet ovat tänä päivänä iso osa ammattisiivousta. Koneiden käyttö tehostaa ja nopeuttaa siivousta, on ympäristöä säästävää sekä keventää työtä. Koneet ovat nykyään helppokäyttöisiä ja monipuolisia, joten niiden käyttämiseen ja hyödyntämiseen olisi hyvä olla mahdollisuus. Sairaalahuolto on mukana uusien tilojen suunnittelussa. Erityisen huomion kohteena on neliöiden hyötykäyttö.
\n
\nTavoitteena oli selvittää, miten nykyiset siivouskonelainaamot palvelevat siivouskoneiden käyttöä ja saatavuutta Tampereen yliopistollisessa keskussairaalassa. Tutkimuksessa selvitettiin myös muita siivouskoneiden käyttöön liittyviä tekijöitä. Esimerkiksi, onko koneita tällä hetkellä sopivasti, toimiiko lainaussysteemi osastojen välillä ja mitkä tekijät edistävät siivouskoneiden käyttöä sairaalahuoltajien mielestä. Tutkimus tehtiin haastattelemalla keskussairaalan alueen sairaalahuoltajia. 
\n
\nTutkimuksessa saatiin selville, että koneiden lainaamot olisi hyvä sijoittaa niin, jotta ne palvelisivat kaikkia osastoja sujuvasti ja hyvin. Joitakin osastoja lainaamot palvelevat jo nyt hyvin, koska ne ovat lähellä ja koneet helposti noudettavissa. Todettiin myös, että siivouskoneita on hyvä olla osastoillakin. Lisäksi toivottiin uudempia ja helppokäyttöisempiä koneita. Tässä työssä myös siivoustyön robotikka oli esillä, koska teknologian ja digitalisaation kehittyminen muuttaa puhtausalaa nyt ja tulevaisuudessa vielä enemmän.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,919
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0020,002
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0000,002
Études des sciences et des technologies0,0010,002
Communication savante0,0000,001
Science ouverte0,0040,002
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0340,170

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,013
Tête enseignante GPT0,227
Écart entre enseignants0,214 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTheseus (Ammattikorkeakoulujen)Même sujetFinance, Taxation, and GovernanceTravaux en français237 207