Ikääntyneiden ehkäisevä päihdetyö : Sähköinen opas Suomen Punaisen Ristin Savo-Karjalan piirin vapaaehtoistyöntekijöille
Bibliographic record
Abstract
Ikääntyneiden osuus yhteiskunnassamme on kasvamassa lähitulevaisuudessa. Väestön ikääntymisen myötä myös ikääntymisen tuomat sairaudet ja ongelmat lisääntyvät. Yksi kasvavista ongelmista on ikääntyneiden henkilöiden päihteidenkäyttö. Ehkäisevän päihdetyön tarkoitus on tunnistaa mahdolliset päihteidenkäytön ongelmat ja puuttua niihin varhaisessa vaiheessa. \n \nOpinnäytetyön tarkoituksena oli tuoda esille tietoa ehkäisevästä päihdetyöstä, sen menetelmistä sekä päihteiden vaikutuksista ikääntyneisiin. Opinnäytetyön tehtävänä oli tuottaa sähköinen opas ikääntyvän henkilön ehkäisevästä päihdetyöstä. Opinnäytetyön tavoitteena oli kehittää Suomen Punaisen Ristin Savo-Karjalan piirin vapaaehtoistyöntekijöiden valmiuksia ottaa ikääntyneiden päihteidenkäyttö puheeksi ja sitä kautta ohjata heitä tarvittavan avun piiriin. \n \nJatkokehitysideana myös muut Suomen Punaisen Ristin työntekijät voisivat käyttää opasta. Opasmateriaalista voisi tehdä myös tietoiskun tyylisen posterin, jota voisi hyödyntää esimerkiksi viemällä tietoa päihteidenkäytön ehkäisystä ikääntyneiden tapahtumiin tai vanhuspalveluihin. Materiaalia voisi muokata myös eri ikäryhmille suunnattavaksi.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.077 | 0.026 |
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".