Sote-henkilöstön työstä palautuminen -- avovastausten analysointi luonnollisen kielen käsittelyjärjestelmällä.
Open answers to an employee survey can be used to collect valuable information on employees' work recovery, but analysing the results is laborious. This study investigated the means of work recovery among health and social services workers and assessed how well natural language processing (NLP) can...
| Published in: | Hoitotiede Vol. 37; no. 3; pp. 197 - 214 |
|---|---|
| Main Authors: | , , , , , |
| Format: | tables/charts Journal Article |
| Published: |
Hoitotieteiden Tutkimusseura HTTS r.y.
2025
|
| Online Access: | View this record in EBSCOhost |
| fields | @attributes: recordID: 1 pdfLink: plink: https://search.ebscohost.com/login.aspx?direct=true&db=ccm&AN=189180679&site=ehost-live header: @attributes: shortDbName: ccm uiTerm: 189180679 longDbName: CINAHL Complete uiTag: AN controlInfo: bkinfo: dissinfo: jinfo: jid: 07865686 YZE jtl: Hoitotiede issn: 07865686 maglogo: N pubinfo: dt: 2025 vid: 37 iid: 3 pid: 20543 pub: Hoitotieteiden Tutkimusseura HTTS r.y. place: , <Blank> artinfo: ui: 189180679 189180679 189180679 189180679 ppf: 197 ppct: 17 formats: fmt: @attributes: type: P tig: atl: Sote-henkilöstön työstä palautuminen -- avovastausten analysointi luonnollisen kielen käsittelyjärjestelmällä. aug: au: NIKUNLAAKSO, RISTO REUNA, KAISA KORKIAKANGAS, EVELIINA SELANDER, KIRSIKKA LAHTI, HEIDI LAITINEN, JAANA affil: TtT, erikoistutkija, Työterveyslaitos sug: subj: Social Welfare Natural Language Processing Utilization Social Workers Psychosocial Factors Health Personnel Psychosocial Factors Surveys Algorithms Work Environment Employees Psychological Well-Being Finland Support, Social Problem Solving ab: Open answers to an employee survey can be used to collect valuable information on employees' work recovery, but analysing the results is laborious. This study investigated the means of work recovery among health and social services workers and assessed how well natural language processing (NLP) can help in analysing open survey responses on recovery. The study data comprised 1559 open answers concerning work recovery of health and social services employees, collected in a job well-being survey in 2021. The open-ended answers were analysed using an NLP classification algorithm based on SBERT language model, which interprets the semantics of the texts. Additionally, ChatGPT was used to summarize the contents of the categories. To validate the results, they were compared with a content analysis conducted by two researchers. Both the classification algorithm and the researchers divided the responses into seven categories based on their content. The categories were divided into work recovery during working hours and work recovery during leisure. Algorithm-assisted analysis found similar recovery themes. However, there were large differences between the algorithm and the researchers in the classification of responses (Cohen's kappa=0.232; 95% confidence interval 0.199-0.265). The results showed that recovery requires sufficient resources, a good organisation of work and a sense of community at the workplace. The study also showed that NLP systems can help in the rapid analysis of open-ended answers, but researchers are still needed to analyse the data in more detail. Henkilöstökyselyn avoimilla vastauksilla voidaan kerätä arvokasta tietoa työntekijöiden työstä palautumisesta, mutta tulosten analysointi on työlästä. Tässä tutkimuksessa selvitettiin sote-työntekijöiden työstä palautumisen keinoja, ja arvioitiin, kuinka hyvin luonnollisen kielen käsittelyjärjestelmä voi auttaa palautumista koskevien avovastausten analysoinnissa. Tutkimuksen aineistona käytettiin 1559 sotetyöntekijän palautumistaan koskevaa avointa vastausta Työterveyslaitoksen toteuttamassa työhyvinvointikyselyssä vuonna 2021. Vastausten analysoinnissa hyödynnettiin luonnollisen kielen käsittelyjärjestelmiä: klusterointialgoritmia, joka perustui tekstien semantiikkaa tulkitsevaan SBERT-kielimalliin sekä ChatGPT-työkalua, joka tiivisti luokkien sisällöt. Tulosten validoimiseksi niitä verrattiin kahden tutkijan tekemään aineistolähtöiseen sisällönanalyysiin. Sekä klusterointialgoritmi että tutkijat jakoivat vastaukset seitsemään klusteriin niiden sisällön perusteella. Luokat jakautuivat työaikaisiin ja vapaa- ajalla tapahtuviin keinoihin. Klusterointialgoritmi löysi vastaavia palautumisen teemoja. Algoritmin ja tutkijoiden välillä oli kuitenkin suuria eroja vastausten luokittelussa (Cohenin kappa=0,232; 95 % luottamusväli 0,199-0,265). Tulokset osoittivat, että palautuminen vaatii riittäviä resursseja, töiden hyvää organisointia sekä yhteisöllisyyttä työpaikalla. Tutkimus osoitti myös, että luonnollisen kielen käsittelyjärjestelmät voivat auttaa avointen vastausten nopeassa analysoinnissa, mutta aineiston tarkempaan analysointiin tarvitaan edelleen tutkijoita. pubtype: Academic Journal doctype: tables/charts Journal Article ougenre: Article language: Finnish refInfo: holdings: @attributes: islocal: N |
|---|