SAĞLIK KURULUNA SİLAH RUHSATI ALMAK, SİLAHLI GÜVENLİK OLMAK İÇİN BAŞVURAN KİŞİLERİN MİZAÇ KARAKTER, D TİPİ KİŞİLİK ÖZELLİKLERİ, ALEKSİTİMİ VE DÜRTÜSELLİK DÜZEYLERİNİN İNCELENMESİ
Bibliographic record
Abstract
Bu çalışmanın amacı sağlık kuruluna silah ruhsatı ve güvenlik olmak için başvuran kişilerin mizaç karakter, D tipi kişilik, aleksitimi ve dürtüsellik düzeylerinin incelenmesidir. Prospektif olarak yapılan çalışmada; tüm katılımcılara Hastane Anksiyete-Depresyon Ölçeği, Toronto Aleksitimi Ölçeği, Barratt Dürtüsellik Ölçeği, Tip-D Kişilik Ölçeği ve Mizaç Karakter Envanteri uygulandı. Çalışmamıza 205 kişi alındı, üç grup oluşturuldu. İlk grup 100 kişi silahlı güvenlik, ikinci grup 55 kişi silah ruhsatı ve son grup 50 kişi silahsız güvenlik olmak için başvuran kişilerdi. Silahsız güvenlik olmak için başvuran kişilerin anksiyete ve depresyon puanlarının diğer iki gruptan daha yüksek olduğu görülmüştür (Sırası ile p değerleri; 0.001; 0.004 idi). Tip-D Kişilik Ölçeği “negatif affektivite” alt boyutu silahsız güvenlik başvurusu yapan grupta diğer gruplardan yüksek olarak saptanmıştır (p=0.001). Toronto Aleksitimi Ölçeği duyguları ifade etme ve dışa dönük düşünme alt boyutları silahlı grubun (silah ruhsatı ve silahlı güvenlik başvurusu yapan) puanları daha yüksekti (sırası ile p=0.003; p
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.031 | 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".