Anonyymi rekrytointi julkisella sektorilla
Bibliographic record
Abstract
Tämä opinnäytetyö tutkii anonyymin rekrytointiprosessin käyttöä ja niistä saatuja kokemuksia Suomen 20 suurimmassa kaupungissa. Anonyymissa työnhaussa työhakemuksesta on poistettu kaikki henkilöön viittaava tieto, jonka ansiosta hakija pysyy nimettömänä työhaastatteluun saakka. Valinnat työhaastatteluun kutsuttavista tehdään ainoastaan osaamisen ja kelpoisuusvaatimuksien perusteella.\n\nTutkimuksen teoreettinen viitekehys koostui ajankohtaisesta lainsäädännöstä sekä aiheeseen liittyvästä oikeuskirjallisuudesta. Tutkimusjoukko koostui Suomen 20 suurimmasta kaupungista, joista tutkimusryhmäksi määräytyi kaksi kaupunkia, joissa hakumenetelmää oli kokeiltu. Tutkimuksessa empiirinen osuus toteutettiin kvalitatiivista tutkimusmenetelmää käyttäen haastattelemalla kaupunkien rekrytointivastaavia sekä rekrytoinnissa mukana olleita henkilöitä.\n\nTutkimustulokset osoittivat, että menetelmä on ollut vähäisellä käytöllä Helsingissä ja on lähinnä kokeiluasteella Espoossa. Menetelmää oli kokeiltu pääsääntöisesti kaupunginvaltuuston päätöksestä. Työhakemuksien saaminen anonyymiin muotoon oli työlästä ja sitoi prosessina normaalia enemmän henkilöitä. Haastatteluun kutsuttavien valintaa helpotti hakemuksien niukka pohjatieto ja valintakriteerien painottuminen osaamiseen ja kelpoisuusvaatimuksien täyttymiseen.\n\nUseista kaupungeista löytyy kiinnostusta menetelmän käyttöön tulevaisuudessa, mutta menetelmä tulisi ensin saada kustannustehokkaaksi päivittämällä toimintaohjeita sekä järjestelmiä.
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) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.098 | 0.038 |
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".