Rekruttering til og fastholdelse i dansk fiskeri - med særlig fokus på Fiskeriskolens uddannelse
Bibliographic record
Abstract
Denne rapport præsenterer resultaterne fra projektet ’Fremtidens Fiskere’. I rapporten behandles rekrutteringsudfordringer i dansk fiskeri med særlig fokus på Fiskeriskolens uddannelse. Formålet med undersøgelsen har været at tilvejebringe et bredere og mere systematisk vidensgrundlag, som branchen kan bruge til at imødegå rekrutteringsproblemer og udfordringer afledt deraf, f.eks. generationsskifte. Rapporten baserer sig på et litteraturstudie samt kvalitative interviews med elever på Fiskeriskolen (der er lærlinge i forhold til praktikken) samt andre aktører i fiskeriet som den centrale empiri. Undervejs har vi sparret med repræsentanter fra de tre fiskeriorganisationer FSK‐PO, DFPO og DPPO, samt ansatte på Fiskeriskolen. Konklusionerne er dog udelukkende forfatternes egne. Undersøgelsen har haft som hovedformål at forstå de unges værdier og billeder af fiskeriet mhp. at kunne øge rekrutteringen til (og fastholdelsen i) dansk fiskeri og specielt Fiskeriskolen. I denne proces har vi behandlet 3 overordnede problemstillingskomplekser, som har betydning ift. at imødegå rekrutteringsudfordringerne i dansk fiskeri: rekruttering til Fiskeriskolen; rekruttering til hele fiskerierhvervet; samt Fiskeriskolens uddannelse.
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 | 0.009 | 0.015 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.008 | 0.005 |
| Scholarly communication | 0.011 | 0.007 |
| Open science | 0.002 | 0.010 |
| Research integrity | 0.004 | 0.006 |
| Insufficient payload (model declined to judge) | 0.087 | 0.025 |
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".