RAI-arviointi ikääntyneiden päihteidenkäytön kartoituksen apuna : päihdepalvelujen tarpeen tunnistaminen ja palveluihin ohjaaminen
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Suomen väestörakenne ikääntyy kovaa vauhtia. Tutkimukset osoittavat, että vuoteen 2030 mennessä yli 65-vuotiaiden osuus Suomen väestöstä ylittää 25 prosentin rajan. Vanhuspalvelulain mukaan hyvinvointialueiden oli otettava käyttöön RAI- arviointivälineistö 1.4.2023 alkaen iäkkään henkilön toimintakyvyn arvioinnissa. RAI- arviointi on väline, jolla selvitetään ikääntyneiden palvelutarpeita kartoittaen heidän sen hetkistä terveydentilaa, toimintakykyä sekä voimavaroja. \n \nOpinnäytetyömme tarkoituksena oli selvittää, miten RAI-arvioinnin avulla voidaan tunnistaa ikäihmisten päihdepalvelujen tarve sekä ohjata ikäihmisiä päihdepalvelujen piiriin. Keräsimme aineiston sähköisen kyselylomakkeen avulla, jossa kartoitimme RAI- arvioinnin riittävyyttä ikäihmisten päihteidenkäyttöä mitattaessa sekä päihdepalveluihin ohjaamisen toteutumista. \n \nTuloksista selviää, että RAI-arviointi ei ole riittävän kattava väline ikääntyneiden päihteidenkäytön arvioinniksi ja usein päihdeongelma jää RAI-arvioinnista huolimatta tunnistamatta. Tulosten mukaan ammattilaisten tieto ikääntyneiden päihdepalveluista ja päihdepalveluihin ohjaamisesta on heikkoa. RAI-arviointi koettiin kuitenkin olevan hyödyllinen työväline päihteidenkäytön puheeksiotossa.
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.
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 | 0.003 | 0.000 |
| Meta-epidemiology (narrow) | 0.004 | 0.004 |
| Meta-epidemiology (broad) | 0.004 | 0.003 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.006 | 0.003 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.034 | 0.089 |
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 it