Snemmíhlutun í geðrofssjúkdóma : notagildi og árangur snemmíhlutunar í geðheilbrigðisþjónustu á Íslandi
Bibliographic record
Abstract
Rannsóknaráætlun þessi er lokaverkefni til B.S. prófs í hjúkrunarfræði við Háskólann á Akureyri. Tilgangur rannsóknar er að meta áhrif snemmíhlutunar á einstaklinga með geðrofssjúkdóm og hvernig einstaklingurinn sjálfur upplifir meðferðina. Einnig er tilgangurinn að meta þann ávinning sem næst með snemmíhlutun. Rannsóknarspurningarnar sem leitast verður svara við eru: Hver er upplifun einstaklinga á snemmíhlutun í geðrofssjúkdómum? Hver er ávinningur þess að beita snemmíhlutun við meðferð ungs fólks í fyrsta geðrofi? Hvaða áhrif hefur snemmíhlutun á meðferðarheldni? \nErlendar rannsóknir hafa leitt í ljós að notagildi og árangur snemmíhlutunar er mjög mikill. Snemmíhlutun hefur skilað sér í færri ótímabærum dauðsföllum, betri meðferðarheldni, meiri þátttöku í samfélaginu, færri bakslögum, styttri tíma ómeðhöndlaðs geðrofs og umfram allt bættum lífsgæðum og sparnaði fyrir þjóðfélagið. \nNotuð verður eigindleg aðferðafræði byggð á fyrirbærafræði Vancouver skólans. Viðtöl verða tekin við 9-12 einstaklinga sem fengið hafa snemmíhlutunar meðferðarform á Laugarásnum - meðferðargeðdeild í að lágmarki 4 ár. Þátttakendur þurfa að vera á aldursbilinu 22-30 ára, hafa geðrofssjúkdóms greiningu og vera meðferðarheldnir. \n \nÞörf er á eigindlegum rannsóknum á Íslandi til að meta árangur sérstakra meðferðarúrræða eins og snemmíhlutunar. Gagnreynd þekking og nýjar rannsóknir stuðla að stöðugri þróun meðferðarúrræða og bættri þjónustu. Með íslenskum rannsóknum myndu gæði geðheilbrigðisþjónustu hér á landi aukast, sem er einn tilgangur þessarar rannsóknar.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.003 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.004 | 0.005 |
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".