Siivouskoneiden saatavuuden ja käytettävyyden kartoittaminen TAYS:n sairaalahuollossa
Bibliographic record
Abstract
Siivouskoneet ovat tänä päivänä iso osa ammattisiivousta. Koneiden käyttö tehostaa ja nopeuttaa siivousta, on ympäristöä säästävää sekä keventää työtä. Koneet ovat nykyään helppokäyttöisiä ja monipuolisia, joten niiden käyttämiseen ja hyödyntämiseen olisi hyvä olla mahdollisuus. Sairaalahuolto on mukana uusien tilojen suunnittelussa. Erityisen huomion kohteena on neliöiden hyötykäyttö. \n \nTavoitteena oli selvittää, miten nykyiset siivouskonelainaamot palvelevat siivouskoneiden käyttöä ja saatavuutta Tampereen yliopistollisessa keskussairaalassa. Tutkimuksessa selvitettiin myös muita siivouskoneiden käyttöön liittyviä tekijöitä. Esimerkiksi, onko koneita tällä hetkellä sopivasti, toimiiko lainaussysteemi osastojen välillä ja mitkä tekijät edistävät siivouskoneiden käyttöä sairaalahuoltajien mielestä. Tutkimus tehtiin haastattelemalla keskussairaalan alueen sairaalahuoltajia. \n \nTutkimuksessa saatiin selville, että koneiden lainaamot olisi hyvä sijoittaa niin, jotta ne palvelisivat kaikkia osastoja sujuvasti ja hyvin. Joitakin osastoja lainaamot palvelevat jo nyt hyvin, koska ne ovat lähellä ja koneet helposti noudettavissa. Todettiin myös, että siivouskoneita on hyvä olla osastoillakin. Lisäksi toivottiin uudempia ja helppokäyttöisempiä koneita. Tässä työssä myös siivoustyön robotikka oli esillä, koska teknologian ja digitalisaation kehittyminen muuttaa puhtausalaa nyt ja tulevaisuudessa vielä enemmän.
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 | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.000 | 0.002 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.004 | 0.002 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.034 | 0.170 |
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".