Erzähl mir deine Geschichte : Arten von Storytelling, die in der Ergotherapie Menschen mit psychischen Störungen in der Rehabilitations- oder Integrationsphase unterstützen
Bibliographic record
Abstract
Thema: Psychische Störungen sind weltweit verbreitet, führen zu hohen Gesundheitskosten und schränken Betroffene in ihrem Alltag ein. Storytelling-Interventionen können die Lebensqualität von Betroffenen verbessern. In dieser Arbeit wird die mögliche Anwendung von Storytelling in der Ergotherapie erforscht. Ziel: Zur Anwendung von Storytelling in der Ergotherapie gibt es noch nicht ausreichend Forschung. Deswegen wird in dieser Arbeit auf folgende Frage eingegangen: Welche Arten von Storytelling, die evidenzbasiert bei Menschen mit psychischen Störungen in der Rehabilitations- oder Integrationsphase angewendet werden, eignen sich für ergotherapeutische Interventionen? Methode: In Datenbanken wurden fünf Studien zu verschiedenen Arten von Storytelling gefunden. Diese wurden zusammengefasst, kritisch gewürdigt und die Ergebnisse der Studien dem Canadian Model of Occupational Performance and Engagement (CMOP-E) gegenübergestellt. Relevante Ergebnisse: Bei Menschen mit Demenz kann durch TimeSlips und Realitätsorientierung unter anderem die Interaktion verbessert werden. Menschen mit anderen psychischen Störungen können sich durch die Tree Theme Method® und die Foto-Intervention beispielsweise neue Strategien aneignen. Die Transmediale-Intervention würde sich für den Einsatz in der Prävention eignen und ist daher in der Ergotherapie schwieriger anwendbar. Schlussfolgerung: Anhand der Zuteilung der Ergebnisse zum CMOP-E und der Güte der Studien werden Tree Theme Method®, Realitätsorientierte- und Foto-Intervention für die Ergotherapie mit Menschen mit psychischen Störungen empfohlen.
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 | 0.008 | 0.038 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.006 |
| Scholarly communication | 0.007 | 0.010 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.018 | 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".