Sekasin-chat – verkkovälitteinen keskustelupalvelu nuorten psyykkisen hyvinvoinnin tukena : Vertailututkimus ja analyysi nuorten psyykkisestä hyvinvoinnista ja oireilusta
Bibliographic record
Abstract
Tämä on komparatiivinen tutkimus/analyysi ja opinnäytetyö MIELI Suomen Mielenterveys ry:lle (MIELI ry). Opinnäytetyöni tarkoituksena on nostaa esille ja kartoittaa nuorten ongelmia, joihin he hakevat apua Sekasin-chatista. \nTutkimuskysymykset, joihin pyrin analyysilläni löytämään vastauksen, ovat: Millaisiin ongelmiin ja elämäntapahtumiin nuoret kaipaavat tukea Sekasin -chatin kautta ja miten ongelmat vaikuttavat nuoren psyykkiseen hyvinvointiin? \n \nEnsimmäinen tavoitteeni opinnäytetyössäni on levittää tietoa nuorten psyykkisestä hyvinvoinnista ja psyykkisestä oireilusta. Toinen tavoitteeni on koota yhteen MIELI ry:lle havaintojani Sekasin-chatin vuosiraporteista, jotka liittyvät nuorten mielenterveyteen, nuorten kohtaamiin haasteisiin sekä chatin vaikutuksiin ja merkitykseen nuorille ja verrata tuloksia muihin tutkimustilastoihin. Opinnäytetyöni tilastot on koottu yhteen Sekasin-chatin vuosiraporteista vuosilta 2017-2019. Olen myös käyttänyt tilastoja Lasten ja nuorten puhelimen ja nettipalveluiden vuosiraporteista, joita ylläpitää Mannerheimin Lastensuojeluliitto (MLL). Nämä vuosiraportit ovat samoilta vuosilta kuin Sekasin-chatin raportit. Näitä raportteja olen käyttänyt vertaillakseni tuloksia erilaisista internetpalveluista, jotka työskentelevät nuorten psyykkisen hyvinvoinnin parissa. \n \nOpinnäytetyön teoreettinen viitekehys pohjautuu psyykkiseen hyvinvointiin, tavallisimpiin nuorten mielenterveysongelmiin ja eettiseen nuorisotyöhön internetissä. \n \nOpinnäytetyöni tulos osoittaa, että nuorten mielenterveysongelmat ovat lisääntyneet ja syyt niihin ovat moninaisia. Lisäksi nuoret tarvitsevat matalan kynnyksen mielenterveyspalveluita ja auttavia tahoja esim. internetissä, joihin ei tarvita lääkärin lähetettä.
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 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.045 | 0.013 |
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".