Green Care -toiminta sairaanhoitajien työhyvinvoinnin tukena: kuvaileva kirjallisuuskatsaus
Bibliographic record
Abstract
Green Care -menetelmät ovat luonto- ja eläinavusteisia hoitomenetelmiä, jotka ovat osoittautuneet hyödyllisiksi ihmisten hyvinvoinnin edistämisessä. Sairaanhoitajat ovat alttiita työn fyysiselle ja henkiselle kuormitukselle, mikä voi johtaa työuupumukseen ja alentuneeseen työhyvinvointiin. Tämän kirjallisuuskatsauksen tarkoituksena on selvittää, miten Green Care -menetelmät voivat tukea sairaanhoitajien työhyvinvointia. \n \nKatsauksessa käytiin läpi aiheeseen liittyvää tutkimuskirjallisuutta ja artikkeleita. Tulosten perusteella Green Care -menetelmät voivat tukea sairaanhoitajien työhyvinvointia monin tavoin. Luontoympäristössä oleskelun on todettu vähentävän stressiä, ahdistusta ja masennusta, joten esimerkiksi luontoon suuntautuvat aktiviteetit, kuten metsäkävelyt, voivat olla hyödyllisiä sairaanhoitajan stressinhallinnassa. \n \nEläinten läsnäolon on myös osoitettu vähentävän stressiä ja ahdistusta, ja esimerkiksi eläinterapiassa sairaanhoitajat voivat kokea merkityksellisiä hetkiä eläinten kanssa ja samalla rentoutua ja saada mielihyvää. \n \nYhteenvetona voidaan todeta, että Green Care -menetelmät voivat tarjota monipuolisia mahdollisuuksia sairaanhoitajien työhyvinvoinnin tukemiseen. Green Care -toimintaa tulisi huomioida myös sairaanhoitajien koulutuksessa ja työpaikkojen hyvinvointiohjelmissa. Lisäksi tulevaisuudessa tarvitaan lisää tutkimusta aiheesta ja menetelmien kehittämistä.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.043 | 0.009 |
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".