Bibliographic record
Abstract
Tittel \nInntil døden kjem vil eg leve \nBakgrunn for val av tema: \nEin møter stadig skepsis og lite forståing når ein syner interesse for å arbeide med palliasjon. «Vil du \nutsetje deg for det, dei skal jo døy?». Døden er ein naturleg del av livet, og det er noko vi alle skal \nerfare. Ein kan sjå seg som privilegerte som får lov å vere den som gjev omsorg til døyande, då det er \nvi som får mogelegheit til å gjere den siste tida best mogeleg. Vi har difor valt å skrive om palliasjon, \nfor å vise at døden ikkje kun er tung og dystert, men kan vere fint. \nProblemstilling: \nKorleis kan eg som sjukepleiar gje god palliativ omsorg til pasienten som vil døy heime? \nMetode: \nVi har hatt litteraturstudie som metode, der seks forskingsartiklar med kvalitativ og kvantitativ design \nvart nytta. Vi nytta søkebasane Svemed+, Academic search elite, google scholar, og \nwww.sykepleien.no, i tillegg til pensumlitteratur for å finne relevant teori. \nOppsummering av funn og konklusjon: \nLitteraturstudien syner sjukepleiaren si rolle i palliasjon. Her syner forsking og erfaringsbasert praksis \nat god kommunikasjon, empatisk veremåte og heilskapleg menneskesyn er viktige føresetnadar for \nein verdig død. I tillegg set ein fokus på kontinuitet i helsetenestene, og at sjukepleiarar har \noppdatert kunnskap og kompetanse om palliasjon. Målet med palliasjon er at pasienten skal få nytte \nsi siste tid ilag med sine næraste, utan unødig smerter og ubehag, der ein til slutt møter døden med \nverdighet.
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 | 0.004 | 0.012 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.003 |
| Scholarly communication | 0.009 | 0.006 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.004 | 0.006 |
| Insufficient payload (model declined to judge) | 0.293 | 0.121 |
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".