Maahanmuuttajanaisten tiedonsaanti sekä tiedonsaannin ja asioinnin kehittäminen Suomen terveyspalveluissa
Bibliographic record
Abstract
Maahanmuuttajien määrä Suomessa kasvaa jatkuvasti. Levottomuuksien ja heikentyneiden elinolojen vuoksi ihmiset jättävät kotimaansa ja muuttavat muualle. Suomeen muutettaessa maahanmuuttajan kulttuuri, tavat ja uskonto pysyvät, vaikka ne voivatkin muuttaa muotoaan uuden kulttuurin myötä. Maahanmuuttajille suunnattuja palveluita kehitetään koko ajan vastaamaan heidän erityistarpeitaan, mutta erityistä huomiota vaativat sosiaali- ja terveyspalvelut. Terveyspalveluissa kulttuurisensitiivinen ote ja molemminpuolinen ymmärrys maahanmuuttajan ja terveydenhuollon ammattilaisen välillä ovat ensisijaisia. Opinnäytetyön tarkoituksena on kuvata, miten maahanmuuttajanaiset saavat tietoa terveyspalveluista ja miten tiedonsaantia sekä asioinnin sujuvuutta terveyspalveluissa voisi kehittää. Opinnäytetyön tavoitteena on hyödyntää haastattelusta saatuja tuloksia maahanmuuttajille suunnattujen terveyspalveluiden kehittämisessä. \n \nOpinnäytetyö on laadullinen tutkimus, jonka aineistonkeruumenetelmänä käytettiin ryhmähaastattelua. Haastattelemalla saatu aineisto analysoitiin sisällönanalyysiä käyttämällä. \n \nTuloksissa kävi ilmi maahanmuuttajanaisten saavan tietoa terveyspalveluista useista eri paikoista ja lähteistä, yleisimpänä tiedonlähteenä oli internet. Tiedonsaannin kehittämisideat pohjautuivat lähinnä jo olemassa oleviin tiedonlähteisiin, pääasiassa niiden selkeyteen ja ymmärtämiseen. Suurin huoli asioinnin sujuvuutta koskien oli terveydenhuollon ammattilaisten tietämättömyys maahanmuuttajien kulttuureista, uskonnoista ja tavoista.
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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.064 | 0.019 |
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".