Pelillistetty oppimateriaali laskimoverinäytteenotosta kotiympäristössä
Bibliographic record
Abstract
Tämän toiminnallisen opinnäytetyön tarkoituksena oli laatia pelillistetty oppimateriaali laskimoverinäytteenotosta kotiympäristössä lähihoitajaopiskelijoille. Opinnäytetyö tehtiin yhteistyössä Oulaisten Jedun kanssa. Tavoitteinamme tässä opinnäytetyössä oli lisätä tietoisuutta liittyen laskimoverinäytteenottoon sekä luoda turvallinen oppimisympäristö, joka haastaa opiskelijaa tekemään itsenäisiä päätöksiä ja motivoi oppimisessa. Laskimoverinäytteenoton tietoisuuden lisäämisellä voidaan vaikuttaa preanalyyttisten virheiden ennaltaehkäisemiseen. Oppimateriaali luotiin Thinglink- alustalle ja teoriaosuudessa käytettiin ajantasaista ja näyttöön perustuvaa tietoa. Siinä käytettiin pelillisiä elementtejä, kuten tarinallisuutta ja tehtäviä. Oppimateriaaliin lisättiin tietoa asiakkaan tunnistamisesta ja ohjauksesta, näytteenoton ergonomiasta, näytteenoton välineistä, näytteenotosta sekä näytteiden pakkaamisesta ja kuljetuksesta. Oppimateriaalissa hyödynnettiin kuvia ja kysymyksiä, joiden avulla testattiin opiskelijan oppimista ja tietämystä. Oppimateriaali rakennettiin siten, että opiskelija sai tehdä itsenäisesti päätöksiä. Opiskelija sai jatkuvaa palautetta liittyen tekemiinsä valintoihin ja tehtäviin. Oppimateriaalista keräsimme palautetta Webropol- kyselyn avulla. Opiskelijoista suurin osa koki oppimateriaalin olevan hyödyllinen ja motivoivan heitä paremmin aiheen opiskeluun, kuin perinteiset opiskelumenetelmät, kuten kirjasta lukeminen. Jatkokehitysideana voitaisiin laatia ergonomiaohjeet näytteenottoon kotiympäristössä, sillä ergonomiassa on omat haasteensa kotiympäristössä toimiessa.
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 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.072 | 0.024 |
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".