Suomen kaunein synagoga

Kirjallisuusarvostelu

Suun kliinistä limakalvodiagnostiikkaa Itseopiskellen www.oralmedicine.se -tietokannan avulla

Tutkielmassa perehdytään suun limakalvoilla yleisimmin esiintyviin sairauksiin ja tutustutaan niihin liittyvään kirjallisuuteen. Tutkimuksen on tarkoitus kehittää opiskelijan taitoja erityisesti suun limakalvomuutosten tunnistamisessa ja niiden erottamisessa toisistaan. Tutkielma tehtiin perehtymällä www.oralmedicine.se -sivustolla olevaan kuvastoon, joka käsittää 1330 valokuvaa suun limakalvomuutoksista. Kuvat jaettiin eri alaluokkiin ulkoasunsa perusteella, jonka jälkeen tutustuttiin kunkin aihepiirin kirjallisuuteen. Lisäksi tutkielman tekijä luennoi hammaslääketieteen opiskelijoille Turun yliopistossa suun limakalvomuutoksista. Tutkielma osoitti suun kliinisen limakalvodiagnostiikan haasteellisuuden. Muutokset muistuttavat usein toisiaan, eikä diagnoosia voida yleensä varmistaa pelkän kliinisen kuvan perusteella. Toisaalta tutkielma osoitti, että kliinisten kuvien tutkiminen voi olla tehokas oppimismenetelmä ja auttaa diagnoosin tekemisessä potilastyössä.

Potilasvirtojen hallinnan keinot ammattikorkeakoulujen opinnäytetöissä

Tutkimuksen lähtökohtana on terveydenhuollon organisaatioiden pyrkimys tehostaa toimintojaan yhä kasvavissa yhteiskunnan asettamissa säästöpaineissa. Toiminnalta edellytetään tehokkuutta, taloudellisuutta ja tuottavuutta. Toiminnan tehokkuutta ilmaisee omalta osaltaan potilasvirran sujuvuus terveydenhuollon eri toiminnoissa. Potilasvirta muodostuu terveydenhuollon eri prosesseissa etenevistä asiakkaista ja sen sujuvuuden arviointi sekä asiakkaan kokemuksista että organisaation omasta laadunvalvonnasta. Palvelun laatu ja prosessimainen ajattelu ovat olennaisia tarkastelukohteita tässä kontekstissa. Ammattikorkeakoulujen lakisääteinen tehtävänä on pitää yhteyksiä työelämään, eli terveydenhuollon toimijoihin. Tutkimuskysymyksenä on, kuinka ammattikorkeakoulujen opinnäytetöissä on käsitelty potilasvirran sujuvuutta ja mitä keinoja sen parantamiseksi on löydetty. Samalla voidaan todeta ammattikorkeakoulujen onnistuminen yhteydenpidossaan työelämään. Tutkimusmenetelmänä on laadullinen kirjallisuuskatsaus ja sen alamenetelmänä käytettiin metasynteesiä. Tutkimuksessa analysoitiin 27 ammattikorkeakoulun päättötyötä, joissa kaikissa potilasvirtaa käsitellään joko suoraan tai välillisesti. Kukin opinnäytetyö referoitiin erikseen ja niistä kirjattiin ylös tärkeäimmät potilasvirran sujuvuuteen liittyvät käsitteet ja löydökset. Opinnäytetyöt ryhmiteltiin viiteen ryhmään, joita olivat hoitoprosessin tehostaminen, toiminnan opastuksen ja ohjauksen kehittäminen, potilaiden luokittelu, yhteistoiminta ja organisaation kehittäminen sekä laatuajattelu. Näiden aihepiirien mukaisesti ryhmien löydöksistä laadittiin kustakin yhteenveto, jossa tärkeimmät potilasvirran sujuvuutta parantavat löydökset saatiin kootuksi yhteen. Metasynteesin toisessa vaiheessa, eli vastavuroisessa käännöksessä, määriteltiin näiden yhteenvetojen perusteella kolme avainaluetta potilasvirran sujuvuuden parantamiseen. Tarkastelun ja analyysin lopullisena synteesinä on se, että ammattikorkeakouluissa tehtyjen opinnäytetöiden mukaan potilasvirran sujuvuuteen vaikuttavat henkilöstön osaaminen, toiminnan suunnittelu ja organisointi sekä laadunhallinnan toimivuus. Voidaan puhua myös terveydenhuollon kehittämisalueista tai -sektoreista. Opinnäytetöistä lähes kaikki olivat terveydenhuollon toimijoiden tilaamia ja käytännön toiminnan kehittämiseen liittyviä. Niiden perusteella voitiin myös todeta ammattikorkeakoulujen onnistuneen osallistumaan työelämän kehittämiseen ja täyttäneen tehtävänsä näiltä osin.

Time to volume through efficient multi-site ramp-up

The aim of this thesis was to create a process for all multi-site ramp-up (MSRU) projects in the case company in order to have simultaneous ramp-ups early in the market. The research was done through case study in one company and semi-structured interviews. There are already processes, which are now in use in MSRU-cases. Interviews of 20 ramp-up specialists revealed topics to be improved. Those were project team set up, roles and responsibilities and recommended project organization, communication, product change management practices, competence and know how transfer practices and support model. More R&D support and involvement is needed in MSRU-projects. DCM’s role is very important in the MSRU-projects among PMT-team; he should be the business owner of the project. Recommendation is that product programs could take care of the product and repair training of new products in volume factories. R&D’s participation in competence transfers is essential important in MSRU-projects. Communication in projects could be shared through special intranet commune. Blogging and tweeting could be considered in the communication plan. If hundreds of change notes are open in ramp-up phase, it should be considered not to approve the product into volume ramp-up. PMTs’ supports are also important and MSRU-projects should be planned, budgeted and executed together. Finally a new MSRU-process is presented in this thesis to be used in all MSRU-projects.

Teollisuuden palveluliiketoiminnan vaativien toimitusprosessien kehittäminen arvovirtakartoituksen avulla

Työssä kartoitettiin teollisuuden palveluliiketoiminnan vaativien toimitusprosessien kehittämistä Lean -ajattelu yritysympäristössä. Tavoitteena oli vaativien toimituspro-sessien ongelmien selvittäminen ja kehittämiskohteiden määrittäminen palveluliike-toiminnan tuottavuuden kehittämisen näkökulmasta. Lisäksi tutkittiin arvovirtakuvauksen soveltuvuutta teollisuuden palveluliiketoiminnan prosessien kehittämiseen. Kirjallisuusosuudessa selvitettiin teollisuuden palveluliiketoiminnan prosessien kehit-tämisen erityispiirteitä ja Lean -ajattelun periaatteita. Tavoitteena on löytää teollisuuden palveluliiketoiminnan kehittämisen erityispiirteet tuottavuuden kannalta ja arvioida niiden soveltuvuutta Lean -ajatteluun. Työn empiirisessä osuudessa kartoitettiin yrityksen vaativat prosessit. Menetelminä työssä käytettiin puolistrukturoitua kyselyä, ryhmähaastattelua, ja osallistuvaa ha-vainnointia. Tutkimuksen tulosten perusteella laadittiin kehityssuunnitelma. Diplomityö käynnisti kohdeorganisaatiossa prosessien päivitysprosessin, ja loi puitteet vaativien toimitusten kehityssuunnitelman toteuttamiselle.

Haihdutusnopeuksien määritys glysiinin alipainekiteytyksessä

Alipainekiteytyksessä tasalaatuisen lopputuotteen valmistamiseksi kiteytysolosuhteiden vaikutus liuottimen haihtumisvuohon ja kiteiden ominaisuuksiin on huomioitava. Kandidaatin työn tavoitteena oli selvittää, miten glysiinin alipainekiteytyksessä vesiliuoksesta kiteytysolosuhteet (lämpötila ja paine) vaikuttavat liuottimen haihtumisvuohon ja syntyvien kiteiden polymorfiaan. Haihdutuskokeet suoritettiin puhtaalle vedelle ja alipainekiteytyskokeet glysiinin 95 % kylläiselle vesiliuokselle lämpötiloissa 40 °C, 50 °C ja 60 °C ja paineissa 40 mbar, 60 mbar ja 80 mbar. Kiteyttimenä käytettiin suljettua, virtaushaitoilla, sekoittimella ja ohjausputkella varustettua reaktoria johon oli kytketty alipainepumppu ja termostaatti paineen ja lämpötilan ohjaamiseksi. Nesteen määrä haihdutuskokeissa oli 2 kg ja alipainekiteytyskokeissa 1,2 kg. Osa alipainekiteytyskokeista saaduista kiteistä analysoitiin jauheröntgendiffraktioanalysaattorin (PXRD, engl. powder x-ray diffraction) avulla. Kaikki PXRD-laitteella analysoidut alipainekiteytyskokeissa saadut kiteet osoittautuivat glysiinin γ-polymorfiksi. Kiteytysolosuhteilla oli selkeä vaikutus haihtumisvuohon, mutta vaikutusta glysiinikiteiden polymorfiaan ei havaittu koealueella.

Sentence Compression with Supervised Machine Learning

The subject of the thesis is automatic sentence compression with machine learning, so that the compressed sentences remain both grammatical and retain their essential meaning. There are multiple possible uses for the compression of natural language sentences. In this thesis the focus is generation of television program subtitles, which often are compressed version of the original script of the program. The main part of the thesis consists of machine learning experiments for automatic sentence compression using different approaches to the problem. The machine learning methods used for this work are linear-chain conditional random fields and support vector machines. Also we take a look which automatic text analysis methods provide useful features for the task. The data used for machine learning is supplied by Lingsoft Inc. and consists of subtitles in both compressed an uncompressed form. The models are compared to a baseline system and comparisons are made both automatically and also using human evaluation, because of the potentially subjective nature of the output. The best result is achieved using a CRF - sequence classification using a rich feature set. All text analysis methods help classification and most useful method is morphological analysis. Tutkielman aihe on suomenkielisten lauseiden automaattinen tiivistäminen koneellisesti, niin että lyhennetyt lauseet säilyttävät olennaisen informaationsa ja pysyvät kieliopillisina. Luonnollisen kielen lauseiden tiivistämiselle on monta käyttötarkoitusta, mutta tässä tutkielmassa aihetta lähestytään television ohjelmien tekstittämisen kautta, johon käytännössä kuuluu alkuperäisen tekstin lyhentäminen televisioruudulle paremmin sopivaksi. Tutkielmassa kokeillaan erilaisia koneoppimismenetelmiä tekstin automaatiseen lyhentämiseen ja tarkastellaan miten hyvin erilaiset luonnollisen kielen analyysimenetelmät tuottavat informaatiota, joka auttaa näitä menetelmiä lyhentämään lauseita. Lisäksi tarkastellaan minkälainen lähestymistapa tuottaa parhaan lopputuloksen. Käytetyt koneoppimismenetelmät ovat tukivektorikone ja lineaarisen sekvenssin mallinen CRF. Koneoppimisen tukena käytetään tekstityksiä niiden eri käsittelyvaiheissa, jotka on saatu Lingsoft OY:ltä. Luotuja malleja vertaillaan Lopulta mallien lopputuloksia evaluoidaan automaattisesti ja koska teksti lopputuksena on jossain määrin subjektiivinen myös ihmisarviointiin perustuen. Vertailukohtana toimii kirjallisuudesta poimittu menetelmä. Tutkielman tuloksena paras lopputulos saadaan aikaan käyttäen CRF sekvenssi-luokittelijaa laajalla piirrejoukolla. Kaikki kokeillut teksin analyysimenetelmät auttavat luokittelussa, joista tärkeimmän panoksen antaa morfologinen analyysi.