E- SAĞLIK OKURYAZARLIĞININ KARARLARA KATILIMA ETKİSİNDE HASTA HAKLARI FARKINDALIK DÜZEYİNİN ARACI ROLÜ
Bibliographic record
Abstract
E-sağlık (elektronik sağlık) okuryazarlığının hastanın kararlara katılımına etkisinde hasta hakları farkındalığının aracı etkisinin olup olmadığını belirlemek amaçlanmaktadır. Çalışmanın evreni, Sakarya ilinde ikamet eden, aynı hastaneden en az iki kere aynı doktordan hizmet almış olan 18 yaş üstü bireyleri kapsamaktadır. Çalışmanın örneklemini ise, 01/07/2021-01/08/2021 tarihler arasında araştırmaya katılmayı kabul eden 386 kişi oluşturmaktadır. Araştırmada veri toplama aracı olarak dört bölümden (Sosyo-Demografik Bilgi Formu, E-Sağlık Okuryazarlığı Ölçeği, Hasta Hakları Farkındalığı Ölçeği ve Kararlara Katılım Ölçeği) oluşan bir anket formu kullanılmıştır. Verilerin analizinde SPSS ve Smart PLS 3 programları kullanılmış olup, SPSS programında tanımlayıcı istatistiksel yöntemler ve güvenilirlik analizleri gerçekleştirilmiş ve Smart PLS programında ise yapısal eşitlik modeli analizi yapılmıştır. Hastaların e-sağlık okuryazarlık düzeyleri hasta hakları farkındalık düzeylerini pozitif yönlü etkilerken, kararlara katılımlarını etkilememektedir. Ayrıca hasta hakları farkındalık düzeyleri kararlara katılımlarını etkilemektedir. E-sağlık okuryazarlık düzeylerinin kararlara katılımlarına etkisinde hasta hakları farkındalık düzeylerinin aracı rolü bulunmaktadır. Bireylere sağlıkla ilgili bilgileri internet kaynaklarından doğru ve güvenilir bir şekilde nasıl elde edeceklerine yönelik bilgilendirme yapılmalı, hasta haklarına ilişkin bilgi ve becerileri geliştirilmeli, sağlık bakım hizmetindeki kararlara katılım konusunda duyarlı hale getirilmelidir.
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 | 0.002 |
| 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 | 0.004 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.053 | 0.014 |
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".