Mannrækt. Heildræn heilsuefling á vinnustöðum
Bibliographic record
Abstract
Aukna tíðni ýmissa langvinnra sjúkdóma má rekja til lífsstíls en lífsstíll fólks hefur margvísleg áhrif á sjúkdóma og ótímabær dauðsföll. Talið er að 65% allra dauðsfalla í Evrópu séu vegna langvinnra sjúkdóma og vega þar mest hjarta- og æðasjúkdómar, sykursýki af tegund 2, offita og sumar tegundir krabbameina. Ottawa sáttmáli Alþjóðaheilbrigðisstofnunarinnar skilgreinir heilsueflingu sem leið til að stjórna og bæta heilsu og gerir ráð fyrir að heilsuefling sé heildræn og nái til allra þátta mannlegrar tilveru s.s. líkamlegra, tilfinningalegra, andlegra, samfélagslegra, menningarlegra og umhverfislegra þátta. \nMarkmið rannsóknar var að meta árangur af íhlutun með heildrænni heilsueflingu sem fólst í inngripi næringarfræðings á vinnustað. Árangursmælingar fólust í líkamsmælingum, fæðuvenjum og andlegri heilsu. Um 83% fólks á íslenskum vinnumarkaði er á aldrinum 16-74 ára. Inngrip á vinnustað er talin góð forvörn því hægt er að ná til stórs hóps heilbrigðra einstaklinga í þeim tilgangi að draga úr og fyrirbyggja áhættu á sjúkdómum og ótímabærum dauðsföllum. \nRannsókn þessi var íhlutun sem stóð í 6 mánuði. Íhlutunin fólst í fræðslu um hollt mataræði, hvatningu til hreyfingar og umræðu um mikilvægi geðræktar. Einnig var boðið uppá ráðgjöf frá rannsakanda með aðferð valdeflingar og skoðuð var ný nálgun við ráðgjöf og lagt fram vinnulag sem byggir á jákvæðri næringarfræði. Þátttakendurnir voru 56 og skiptust í þrjá hópa; íhlutunarhóp 1 sem fékk hópfyrirlestra og fræðslu og einstaklingsráðgjöf og íhlutunarhóp 2 sem fékk hópfyrirlestra og fræðslu en ekki einstaklingsráðgjöf og svo viðmiðunarhóp. \nNiðurstöður rannsóknar sýndu marktækan mun íhlutunarhópanna tveggja á líkamsmælingum, þreki, snerpu og lungnaprófi. Neysla á ávöxtum jókst og köku- og sætindaát minnkaði. Heilsutengd lífsgæði þátttakenda í báðum íhlutunarhópum voru lakari í lok rannsóknar en ekki mældist marktækur munur. \nÍhlutun frá næringarfræðingi á vinnustað skilaði marktækum árangri í átt að betri heilsu. Meta þarf hins vegar þátttakendur betur í upphafi til að spurningalistar nýtist betur. Hvetja þarf til virkari þátttöku í einstaklingsviðtölum svo ráðgjöf verði skilvirkari. Skoða þarf skilvirkar aðferðir sem ná til fjölbreytilegs hóps af fólki því forvarnastarf er mikilvægt til að minnka líkur á langvinnum sjúkdómum með fyrirbyggjandi aðferðum. Þar verða að vinna saman sem heild; stjórnvöld, samfélag, vinnustaðir og einstaklingarnir sjálfir.
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.002 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.037 | 0.005 |
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".