Lakisääteiset HR-asiat suomalaisissa startup-yrityksissä
Bibliographic record
Abstract
Tämä opinnäytetyö käsittelee lakisääteisten HR-asioiden nykytilaa suomalaisissa startup-yrityksissä. Opinnäytetyön tarkoituksena oli nykytilan kartoituksen lisäksi selvittää startup-yrittäjien omaa kokemusta siitä, millaista apua ja tukea he henkilöstöasioiden lainmukaiseen hoitamiseen kaipaavat. Startup-yrittäjien lisäksi opinnäytetyössä ääneen pääsivät Suomen Uusyrityskeskus ry:n jäsenyritysten yritysneuvojat, joiden työnä on opastaa uusia yrittäjiä eteen tulevien haasteiden kanssa. \n \nKehittämistyön menetelminä opinnäytetyössä käytettiin puolistrukturoituja haastatteluita sekä lomakekyselyä. Haastattelut toteutettiin yritysneuvojille ympäri Suomen etänä Teams-videoneuvottelusovelluksen avulla. Heiltä saatiin oleellista tietoa startup-yritysten henkilöstöasioiden nykytilasta sekä yrittäjien kiinnostuksen asteesta aihetta kohtaan. Lomakekysely osoitettiin suoraan startup-yrittäjinä toimiville henkilöille. Kyselyn tarkoituksena oli kartoittaa yrittäjien omaa näkökulmaa niin nykytilanteeseen kuin heidän toivomuksiaan ja avuntarvettaan henkilöstöasioihin liittyen. \n \nOpinnäytetyö osoittaa, että vaikka yrittäjät eivät aina osaa esittää oikeita kysymyksiä oikeille tahoille, on heillä tarvetta selkeästi muotoillulle ja helposti saavutettavalle tiedolle lakisääteisistä HR-asioista. Haastatteluiden ja lomakekyselyiden vastausten perusteella saatiin selville viisi aihealuetta, jotka herättivät eniten keskustelua: rekrytointi, lakisääteisyys, työhyvinvointi, johtajuus sekä työnantajan kulut. \n \nOpinnäytetyön tuotoksena syntyi digitaalinen verkkoaineisto: HR-käsikirja startup-yrittäjille, joka luotiin startup-yrittäjien omia tarpeita kuunnellen. Oppaan alussa on yksinkertaiset muistilistat, josta yrittäjä voi tarkistaa, ovatko vaaditut dokumentit ja suunnitelmat hoidossa, ja mitä tulee tehdä, jos näin ei ole. Opas on avoimesti kaikkien yrittäjien hyödynnettävissä verkossa ja sen tarkoituksena on tarjota tarpeellinen tieto yksissä kansissa.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.128 | 0.046 |
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".