Montreal Cognitive Assessment -seulontamenetelmän käytettävyys eri neurologisten asiakasryhmien kanssa : kuvaileva kirjallisuuskatsaus ja tietopaketti
Bibliographic record
Abstract
Opinnäytetyön tarkoituksena oli kuvailevan kirjallisuuskatsauksen keinoin koota yhteen tietopaketiksi näyttöön perustuvaa tutkimuksellista tietoa Montreal Cognitive Assessment -seulontamenetelmän (MoCA-testi) käytettävyydestä eri neurologisten asiakasryhmien kanssa. MoCA-testi on tarkoitettu lievien kognitiivisten heikentymien seulontaan. Asiakasryhmät rajattiin muistisairauksiin ja -häiriöihin, aivoverenkiertohäiriöihin sekä Parkinsonin tautiin. \n \nOpinnäytetyön aihe perustuu toimeksiantajatahon, Suomen aikuisneurologisten toimintaterapeuttien unioni ry:n, tarpeeseen löytää tutkittua tietoa MoCA-testin käyttömahdollisuuksista osana toimintaterapian aikuisneurologisten asiakkaiden arviointia. Opinnäytetyön tavoitteena oli helpottaa MoCA-testin käyttöönottoa, toimia tukena MoCA-testin tulosten tulkinnassa sekä lisätä syvempää ymmärrystä eri osatehtävien merkityksestä. \n \nKirjallisuuskatsauksen aineisto koottiin 22 tutkimuksesta, joissa on käsitelty MoCA-testin käytettävyyttä. Yleisenä johtopäätöksenä MoCA-testin käytöstä todettiin, että MoCA-testi on herkkä havaitsemaan lievää kognitiivista heikentymää eri neurologisilla asiakasryhmillä. Katsauksen perusteella koottiin tietopaketti MoCA-testin käytön tueksi.
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 | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.013 | 0.004 |
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".