Terapeutisk allianse og menn med anoreksi. Hvordan kan sykepleier etablere terapeutisk allianse med menn med anoreksi?
Bibliographic record
Abstract
Hensikt: Å utforske hvordan sykepleier kan etablere terapeutisk allianse med menn som har anoreksi. \nProblemstilling: Hvordan kan sykepleier etablere terapeutisk allianse med menn med anoreksi? \nMetode: Denne bacheloroppgaven benytter litteraturstudie for å besvare problemstillingen. Søk i Medline og Cinahl ga totalt 427 treff. 13 artikler ble gjennomlest i fulltekst. Aktuell fagog pensumlitteratur understøtter flere av resultatene, samt bidrar til en helhetlig forståelse av temaene. \nResultater: Vi fant fem studier som kunne belyse problemstillingen. Studiene, som var fra England, Canada, Australia og Sverige benytter både kvantitative og kvalitative metoder. Fem temaer viste seg å være sentrale ved sykepleiers terapeutiske allianse til menn med anoreksi; etablere kontakt og investere i begynnelsen, etablere tillit og respekt, personsentrert sykepleie, kunnskapsbasert praksis, å balansere autoritet og fremme motivasjon. \nKonklusjon: For å etablere en terapeutisk allianse med menn med anoreksi, er det avgjørende at sykepleieren viser empati, tillit, omsorg, respekt, motivasjon og god kommunikasjon. Menn med anoreksi kan presentere spesifikke utfordringer som sykepleieren må ta hensyn til. En tilnærming basert på person- og kunnskapsbasert sykepleie er essensiell for å etablere en god relasjon som fremmer terapeutisk allianse med denne pasientgruppen.
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 | 0.006 | 0.040 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.006 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.137 | 0.028 |
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".