Acil Serviste Çalışan Hemşirelerin Aleksitimi ve Depresyon Düzeyleri: Kesitsel Bir Çalışma
Bibliographic record
Abstract
Amaç: Bu çalışma acil serviste çalışan hemşirelerin aleksitimi ve depresyon düzeyleri ile bunları etkileyen faktörleri incelemek amacıyla yapılmıştır.Materyal ve Metot: Tanımlayıcı, kesitsel ve ilişki arayıcı tipte yapılan araştırmanın verileri “Kişisel Bilgi Formu”, “Toronto Aleksitimi Ölçeği (TAÖ-20)” ve “Beck Depresyon Ölçeği” kullanılarak toplanmıştır. Verilerin değerlendirilmesinde tanımlayıcı istatistikler (sayı, ortalama, yüzde dağılımları) t testi, tek yönlü varyans analizi, Scheffe ve Tukey testleri ile Pearson testleri kullanılmıştır. Aleksitiminin depresyon üzerindeki etkisini belirlemek için simple linear regresyon analizi yapılmıştır.Bulgular: Çalışmaya katılan hemşirelerin TAÖ-20 toplam puanı 51,89±10,01 ve Beck Depresyon ölçeği toplam puanı 10,84±8,33 olarak bulunmuştur. Hemşirelerin medeni durumu, eğitim durumu, gelir durumu, acil serviste çalışma memnuniyeti, duygularını ifade edebilme, kronik hastalığın varlığı ve sürekli ilaç kullanma durumları istatistiksel olarak önemli bulunmuştur (Sırasıyla; p= 0,041, p=0,014, p=0,013, p=0,013, p=0,028, p=0,017, p=0,022).Sonuç: Araştırmaya katılan hemşirelerde hafif düzeyde aleksitimi ve depresyon olduğu görülmektedir. Acil serviste çalışmaktan memnun olmayanların, duygularını ifade edemeyenlerin, kendisinde ve ailesinde kronik hastalığı olmayanların TAÖ-20 toplam puanları daha yüksektir (p<0,05). Aleksitimi ile depresyon puanları arasında pozitif yönde ve anlamlı bir ilişki olduğu saptanmıştır.
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 | 0.006 |
| 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 | 0.002 |
| Insufficient payload (model declined to judge) | 0.018 | 0.002 |
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".