Med rus – uten ord? : en norsk studie av aleksitymi blant rusavhengige i behandling
Bibliographic record
Abstract
Formålet med studien var å kartlegge aleksitymi blant rusavhengige i behandling og å se\naleksitymi i sammenheng med rushistorie og psykisk helsesituasjon. 106 pasienter i\nrusbehandling i Tyrilistiftelsen deltok. Tre standardiserte måleverktøy ble brukt i\ndatainnsamlingen: Toronto Alexithymia Scale (TAS) 20 ble brukt for å måle aleksitymi, og\nHopkins Symptom Checklist (SCL) 10 og General Health Questionnaire (GHQ) 12 for å måle\npsykisk belastning. Resultatene viste høy forekomst av aleksitymi, høy skår for psykisk\nbelastning og signifikant korrelasjon mellom de to. Dette samsvarer med internasjonal\nforskning. Det var i tillegg signifikant korrelasjon mellom graden av aleksitymi og tid på\nbehandlingssted. Utvalget av pasienter som hadde vært på behandlingsstedet i 3 måneder eller\nmindre hadde vesentlig høyere aleksitymiskår enn resten av utvalget. Mer forskning trengs for\nå kunne si noe om dette skyldes at de med høyest aleksitymi faller fra, eller om det er fordi\ngraden av aleksitymi synker over tid i behandling. Det konkluderes med at aleksitymi er et\nrelevant og anvendbart begrep i rusavhengighetsbehandling og at videre forskning på\nsammenhengen mellom aleksitymi og rusavhengighet er nødvendig for fag- og praksisfeltet.
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 | 0.007 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.016 | 0.001 |
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".