Pirkanmaan ICT-alan työnhakijoiden osaamisen tunnistaminen 2020 : Osaamiskartoituksen loppuraportti
Notice bibliographique
Résumé
Pirkanmaan ELY-keskuksen toimeksiannosta osaamiskartoituksessa selvitettiin 232 pirkanmaalaisen ICT-alan työnhakijan ammatil-lista osaamista sekä heidän näkemyksiään siitä, mitkä tekijät hankaloittavat heidän työllistymistään ICT-alan työtehtäviin ja millaista tukea he kokevat tarvitsevansa työllistyäkseen heitä kiinnostaviin työtehtäviin. Vastaajat jakautuvat pääosin neljään ryhmään. 1. Vastavalmistuneet, joilla keskeisin työnhakua hankaloittava tekijä on työkokemuksen puute. 2. Kokeneet työnhakijat, joilla on haasteena ammatillinen osaamisen vanhentuminen. Toisaalta heillä ei myöskään ole juuri tietämystä modernin ohjelmistokehityksen toimintamalleista tai -menetelmistä, mikä myös hankaloittaa heidän työnhakuaan. 3. Vieras-kieliset, joilla työnhakua hankaloittaa erityisesti puutteellinen suomen kielen taito. 4. Muut vastaajat, kuten esimerkiksi alanvaihtajat, joilla puuttuva tai puutteellinen ICT-alan tutkinto ja puuttuva alan työkokemus sekä näistä johtuva laaja-alaisempi teknologiaosaamisen puute ovat merkittävä haaste työllistymisessä ICT-alalle. Ohjelmistoalalla ammattitaidon ylläpitäminen edellyttää jatkuvaa uuden oppimista ja osaamisen kehittämistä. Suurin osa (84 %) vas-taajista olikin kiinnostunut ammatillisen osaamisen kehittämisestä lisä- tai uudelleenkouluttautumalla. Erityisesti vastaajia kiinnosti lisä-koulutus, jonka puitteissa heillä on mahdollisuus päivittää ja täydentää aiempaa osaamistaan vastaamaan yritysten tarpeita ja johon sisältyy mahdollisuus käytännön harjoitteluun esim. työssäoppimisen puitteissa. Saavutettavuus on tarkistettu.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,004 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,005 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,080 | 0,066 |
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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».