Ondersteunen van werkende mantelzorgers in zorgorganisaties: met burgerwetenschap op zoek naar de dialoog
Bibliographic record
Abstract
Ondersteuning van werkende mantelzorgers door werkgevers vraagt maatwerk tussen verschillende betrokkenen. Bestaande interventies zijn onbekend of sluiten niet aan op behoeften en mantelzorgers lijken belemmeringen te ervaren bij het aangaan van de dialoog met hun leidinggevenden. Ons doel was samen met in de gezondheidszorg werkzame mantelzorgers en HR-adviseurs te onderzoeken hoe de dialoog over ondersteuning bij de combinatie werk-mantelzorg bevorderd kan worden. We gebruikten een op burgerwetenschap gebaseerde ontwerpgerichte aanpak. Tijdens de COVID-19-pandemie vulden 25 mantelzorgers een vragenlijst in. Vijf van hen namen vervolgens deel aan een interview en vier deden daarna als co-onderzoeker mee aan het project, samen met drie human resources-adviseurs en drie wetenschappelijk onderzoekers. In vijf gezamenlijke werksessies werden iteratief en in cocreatie gezamenlijke oplossingsrichtingen bedacht met behulp van ontwerpgerichte methoden. De mantelzorgers, HR-adviseurs en wetenschappelijk onderzoekers maakten affinity-diagrammen vanuit verschillende perspectieven op mantelzorg, respectievelijk persoonlijk, overstijgend en specifiek. Het gezamenlijk geformuleerde kernprobleem waren een onvolledig of onjuist beeld bij de werkgever van de mantelzorg verlenende werknemer en onvoldoende dialoog, waardoor de werknemer zich alleen voelt staan in de balans tussen werk, mantelzorg en privé. De co-onderzoekers beschreven scenario’s en belemmeringen voor ondersteuning bij dit kernprobleem, zoals grenzen stellen en waardering ontvangen. De interactieve ontwerpgerichte werkwijze, vanuit een gelijkwaardige relatie, gaf betrokkenen verdiepende inzichten in elkaars perspectief. Daarmee werd met de werkwijze voldaan aan een voorwaarde voor de dialoog, waaraan vaak voorbij wordt gegaan.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.002 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.003 | 0.001 |
| Bibliometrics | 0.001 | 0.004 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 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; both teacher heads agree on what is shown here.
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".