Vakuutusalan substanssiosaamisen sanasto tekoälyä ja digitaalista alustaa varten
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Tässä opinnäytetyössä selvitettiin, sanoitettiin ja koottiin vakuutusalalla käytettävää substanssiosaamisen sanastoa. Opinnäytetyön toimeksiantajana toimi Finanssiala ry, ja opinnäytetyö oli osa jatkuvan oppimisen kehitystyön käynnistämiseksi tehtyä Finanssiakatemian Digitaalinen alusta –työryhmän selvitystä. \nTavoitteena oli selvittää keskeisimmät työnkuvat sekä niissä vaadittu substanssiosaaminen vakuutusalalla. Tärkeimmässä roolissa tehdyssä selvitystyössä ovat olleet yhtiöt ja oppilaitokset, jotka toimivat vakuutusalalla, sillä nämä organisaatiot pitkälti sanoittavat tarvittavan osaamisen sekä osaamisen tarpeen. \nOpinnäyteyön tutkimusmenetelmänä käytettiin kvalitatiivista tutkimusta. Tutkimus koostui pääosin haastatteluista, haastattelulajina käytettiin puolistrukturoitua haastattelua. Haastateltaviksi valittiin kuusi henkilöä vakuutusalalla toimivista organisaatioista, kaksi oppilaitoksista ja neljä vakuutusyhtiöistä. Haastatteluissa kartoitettiin alan työnkuvia, alalla vaadittavia tutkintoja ja substanssiosaamista, tulevaisuudennäkymiä sekä alan substanssisanastoa. Toisena tutkimusmenetelmänä opinnäytetyössä käytettiin dokumentteihin perustuvaa aineistonkeruumenetelmää, tarkemmin käytiin läpi alan työpaikkailmoituksia ja hankittiin niistä samoja tietoja kuin haastatteluillakin. Lisätietoa haastatteluissa ja aineistoanalyysissa ilmi tulleisiin osaamisiin ja työnkuviin liittyen on haettu myös internetistä hakukoneita hyödyntämällä. \nTehdyn tutkimuksen tuloksena syntyi vakuutusalan substanssiosaamisen sanasto, joka koostuu 15 sanasta. Sanastossa sanat on esitetty termitietueissa, jotka pitävät sisällään ammattinimikkeen määritelmineen, termin ruotsin- ja englanninkieliset vastineet sekä työn osaamis- ja tutkintovaatimukset.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,032 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle