Vierastyövoiman työturvallisuuteen ja -terveyteen vaikuttavat tekijät
Bibliographic record
Abstract
Suomalaiset puutarha- ja maatilayrittäjät palkkaavat vuosittain noin 15 000 ulkomaista työntekijää, pääasiassa kausityövoimaksi. Norjassa vastaava luku on 27000 (tiedot vuodelta 2007). Maatalous on yksi vaarallisimpia elinkeinoja, ja ulkomaalaistaustaisella työvoimalla on useiden tutkimusten mukaan kotimaista työvoimaa suurempi tapaturmariski. Ulkomaisen työntekijän tapaturmariskiä kasvattaa se, että hän on monessa riskiryhmässä samanaikaisesti. Tässä Pohjoismaisen ministerineuvoston rahoittamassa tutkimushankkeessa olivat mukana Norja, Ruotsi ja Suomi. Hankkeen tavoitteena oli tunnistaa työturvallisuuteen ja –terveyteen vaikuttavia tekijöitä mm. haastattelujen ja työntekijöiden itsedokumentoinnin (n=14) keinoin. Hankkeessa käytettiin hyväksi myös aiemmin vierastyövoimalle tehtyjä haastatteluja (n=40).Saadut tulokset vahvistavat aiemmissa tutkimuksissa saatuja tuloksia. Erityisiä kompastuskiviä työnteon turvallisuudelle ja terveellisyydelle olivat kielieroista johtuvat kommunikaatiovaikeudet, erot turvallisuusasenteissa, -tiedoissa ja –kulttuurissa, puutteellinen työkokemus sekä työntekijöiden pidättyvyys epäkohtien raportoinnissa työnantajalleen. Myös pitkät työpäivät sesongin aikana sekä urakkapalkkaus saattavat suoraan tai välillisesti nostaa tapaturmariskiä. Vakituisesti ulkomailla asuvien työntekijöiden koti-ikävä näyttää heikentävän työhyvinvointia. Jatkohankkeessa v. 2012–2013 tuloksista jalostetaan työkaluja, joita voidaan käyttää vierastyövoimaa palkkaavilla tiloilla mm. monipuolistamaan turvallisuuteen liittyvää kommunikaatiota ja koulutusta. Tutkimuskokonaisuutta rahoittavat Pohjoismainen ministerineuvosto, Työsuojelurahasto sekä Stiftelsen KSL Matmerk (Norja).
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.004 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.098 | 0.021 |
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".