Etsivän harrastustoiminnan kehittäminen Kempeleessä : harrastamisen Suomen malli
Bibliographic record
Abstract
Tämän päiväkirjamuotoisen opinnäytetyön aiheena oli etsivän harrastustoiminnan kehittäminen Kempeleessä harrastamisen Suomen mallin mukaisesti. Päiväkirjamuotoisen opinnäytetyön tavoite oli etsivän harrastustoiminnan kehittäminen Kempeleen kunnassa lukuvuonna 2023–2024. Kempeleessä harrastamisen Suomen mallia toteutettiin nimellä Akatemia Action. Toimintaa tarkasteltiin Akatemia Actionin koordinaattorin työn näkökulmasta. \n \nPäiväkirjaraportoinnin teoreettisena pohjana käytettiin Double Diamond -mallia. Se toimi suunnitteluprosessin kehyksenä, joka sisälsi neljä eri vaihetta. Ensimmäisessä vaiheessa selvitettiin kohderyhmä ja pyrittiin ymmärtämään ongelmaa tarkemmin. Toisessa ja kolmannessa vaiheessa määritettiin aiheen ongelmat tarkemmin ja kehitettiin toteutettavia ja testattavia ideoita ja ratkaisuja. Viimeisessä vaiheessa ideat ja ratkaisut toteutettiin käytännön työssä. \n \nOpinnäytetyön tekijä työskenteli Akatemia Actionin koordinaattorina, jonka tehtävänä oli suunnitella ja toteuttaa Akatemia Actionin harrastustoiminta koko luku-vuodelle sekä toimia myös harrastusten ohjaajana jokaisella koululla viikon aikana. Koordinaattorin vastuualueena oli myös kehittää etsivän harrastustoiminnan malli Kempeleen kunnassa.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.076 | 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".