Tabanlık Kullanıcılarının Memnuniyetinin Değerlendirilmesi
Bibliographic record
Abstract
Amaç:Bu çalışmanın amacı tabanlık kullanması tavsiye edilen bireylerde kişiye özel üretilen tabanlık kullanımının memnuniyetinin araştırılmasıdır.Yöntem:Çalışmamız Düzce'de bulunan Analiz Ortopedi Ortez Protez Üretim ve Uygulama Merkezinde ayağa özel tabanlık tasarlanan bireyler ile gerçekleştirildi. Analiz Ortopediye müracaat ederek kişisel kullanım için ayağa özel tabanlık yaptıran kullanıcılar retrospektif olarak tarandı ve 120 birey ile iletişim kuruldu. Çalışmaya katılmaya kabul eden ve dahil edilme kriterlerine uyan 47 bireye dijital ortamdan anket gönderildi. Dijital ortamdan gönderilen anket 3 bölümden oluşmaktadır. İlk bölümde bireylerin anamnez bilgileri, ikinci bölümde tabanlık kullanıcılarının ağrı durumlarının değerlendirilmesi ve son bölümde ise 12 maddeden oluşan Quebec Yardımcı Teknoloji Kullanıcılarının Memnuniyeti Değerlendirmesi anketi uygulandı.Bulgular:Bireylerin tabanlık kullanımındamemnuniyet ile ilgili önem sırası rahatlık, işe yararlılık ve kullanım kolaylığı olarak tespit edildi (p=0,02). Görsel Analog Skala sonuçlarında tabanlık kullanım öncesi ağrı ile mevcut ağrı arasında anlamlı bir fark bulundu (p<0,001).Sonuç:Kişiye özel tabanlık kullanımının memnuniyetinde en önemli etkenin rahatlık olduğu ve ağrıyı azaltmada etkili olduğu görüldü.
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 | 0.003 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.017 | 0.003 |
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".