Röntgenhoitajien lääkehoitokoulutus : valtakunnallinen kartoitus täydennyskoulutuksesta
Bibliographic record
Abstract
Tämän opinnäytetyön tarkoituksena oli kartoittaa toteutuneita lääkehoidon täydennyskoulutuskäytäntöjä Suomessa. Kartoitus toteutettiin kyselyllä LoVe lääkehoidon verkkokoulutuksesta Suomen Röntgenhoitajaliiton jäsenistölle. Työn tavoitteena oli, että Suomen Röntgenhoitajaliitto voi käyttää opinnäytetyön tuottamia kyselyn tuloksia taustatietona lääkehoidon täydennyskoulutussuositukseen. Suosituksen tavoitteena on valtakunnallisesti yhtenevämpi ja röntgenhoitajien työtä paremmin palveleva lääkehoidon täydennyskoulutus. \n \nTyö toteutettiin kvantitatiivista tutkimusmenetelmää käyttäen. Suomen Röntgenhoitajaliitto laati kyselyn ja keräsi aineiston puolistrukturoidulla kyselylomakkeella, jossa oli mukana kolme avointa kysymystä. Tutkimusjoukko valittiin liiton jäsenrekisteristä ositetulla otannalla. Jäsenyhdistyksistä valittiin tutkittaviksi ositetulla otannalla (n=32) ja kahdesta jäsenyhdistyksestä (n=33) röntgenhoitajaa. Yhdessä he muodostivat tutkimuksen perusjoukon (N=418). Kyselyyn vastasi yhteensä 162 röntgenhoitajaa. \n \nTulokset osoittivat lääkehoidon verkkokoulutukseen osallistujista vajaan viidenneksen kokeneen koulutuksen vastaavan työssä tarvittavia asioita. Röntgenhoitajat pitivät tärkeänä sisällyttää koulutukseen etenkin varjoaineet ja ensiapulääkkeet. Turhaksi lääkehoidon koulutuksessa koettiin lääkehoito, jota ei toteuteta röntgenosastolla, kuten verensiirrot. \n \nKyselyn vastausten perusteella lääkehoidon täydennyskoulutuksen tulisi pyrkiä räätälöityyn toteutukseen jokaisen terveydenhuollon ammattilaisen työnkuvan mukaan.
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) | 0.000 | 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 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.066 | 0.018 |
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".