Matkailu- ja ravitsemisalan pitovoima : kuinka ammattiin valmistuvat pysyvät alalla
Bibliographic record
Abstract
Matkailu- ja ravitsemisala kamppailee pitovoiman haasteiden ja työvoimapulan kanssa. Alalta on poistunut paljon osaavaa henkilökuntaa, eikä ammattikouluista valmistu tarpeeksi nuoria, jotka jäisivät alalle. Nuoret pitävät alaa henkisesti ja fyysisesti raskaana, jonka vuoksi monet kouluttautuvat toiselle alalle. Tutkimuksen tavoitteena oli selvittää syitä MaRa-alan heikkoon pitovoimaan. Laadullinen tutkimus toteutettiin kahdessa Pohjois-Suomessa sijaitsevassa ammattioppilaitoksessa Webropol kyselynä, joka suunnattiin keväällä 2024 valmistuville nuorille. Lisäksi suoritettiin kaksi teemahaastattelua alan opettajille. \n \nTutkimuksen tulokset osoittavat, että alan pitovoimaan negatiivisesti vaikuttavat työolot, vuorotyö, palkkaus, johtamistaidot, työn fyysisyys ja huonot työssäoppimiskokemukset. Nuoret pitivät positiivisina asioina alalla uusien tekniikoiden oppimista ja hyvää työilmapiiriä. Kyselyyn vastanneista suurin osa kertoi koulutuksen vastanneen odotuksia ja lähes 40 % vastanneista ilmoitti työskentelevän alalla melko epätodennäköisesti, mikä on huolestuttavaa alan tulevaisuuden kannalta. Suoritetut teemahaastattelut opettajille korostivat opettajan työajan kuluvan useasti muuhun kuin opettamiseen. Jatkuvasta hausta ja erityistuen tarpeista johtuvat resurssipulat koettiin haastaviksi ja opettajat kaipaisivat siihen muutosta. \n \nKerätyn tietoperusta ja suoritettujen tutkimusten perusteella ala tarvitsee muutoksen, jotta matkailu ja ravintoloissa käyminen on mahdollista myös tulevaisuudessa. Pandemia vei alalta paljon ammattilaisia, joita ei ole saatu korvattua. Matkailu- ja ravitsemisalan perustutkinnon ensisijaisten hakijoiden määrä on pienentynyt seitsemän vuoden aikana 1900 hakijalla vuosien 2015 ja 2021 välisenä aikana. Ja alan vetovoima oli alhaisin yhteishaussa vuonna 2021 kaikki koulutusalat huomioon ottaessa. Jotta MaRa-ala saataisiin kiinnostavammaksi nuorten mielestä, pitäisi nuoria kuunnella enemmän ja antaa heille vastuuta jo työssäoppimispaikoilla. Tällä hetkellä monen nuoren kokemus työssäoppimisesta oli lähinnä avustavia töitä eivätkä he saaneet alasta oikeanlaista kuvaa, mikä vähentää alan pitovoimaa. Työperäinen maahanmuutto voi auttaa, mutta ei ratkaise yksinään ongelmaa.
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 | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.012 | 0.006 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.118 | 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".