Asiakirjahallinnon tila KUUMA-seudulla
Bibliographic record
Abstract
Tutkielma on asiakirjahallinnan tutkimusaluetta. Sen tarkoituksena on selvittää, minkälainen asiakirjahallinnon tila on kymmenessä KUUMA -kunnassa. KUUMA – kuntia ovat Hyvinkää, Järvenpää, Kerava, Kirkkonummi, Mäntsälä, Nurmijärvi, Pornainen, Sipoo, Tuusula ja Vihti. \n \nTutkielman tarkoituksena on kartoittaa mikä on asiakirjahallinnon nykytilanne kymmenessä KUUMA-seudun kunnassa ja minkälaisia vahvuuksia tai heikkouksia ne kokevat omassa toiminnassaan. Näkevätkö ne tulevaisuudessa joitain sellaisia mahdollisuuksia tai uhkia, jotka voivat vaikuttaa asiakirjahallinnon kehittymiseen. Tavoitteena on saada selville miten asiakirjahallinto on järjestetty kunnittain ja miten se sijoittuu kuntaorganisaatiossa ja onko kunnassa hajautettu vai keskitetty asiakirjahallinnon toimintatapa käytössä. \n \nTutkimuksen viitekehyksenä on kunnallinen asiakirjahallinto, sitä ohjaavat lait ja arkistolaitoksen ohjeistukset. Tutkimuksessa haastateltiin kymmenen KUUMA-kunnan asiakirjahallinnosta vastaavaa henkilöä. Haastattelut tehtiin kahdeksana käyntihaastatteluna ja kaksi haastattelua tapahtui sähköpostitse. Haastatteluissa kysyttiin haasteltavien taustatietoja ja asiakirjahallinnon tilaa kartoittavat kysymykset pohjautuivat SWOT -analyysin pohjalta tuttuun nelikenttämalliin, jossa arvioidaan organisaatioiden sisäisiä vahvuuksia ja heikkouksia sekä ulkopuolelta tulevia mahdollisuuksia ja uhkia. \n \nTutkimustulokset osoittavat, että KUUMA-kunnissa ollaan suurimmalta osalta varsin tyytyväisiä oman kunnan asiakirjahallinnon tilaan. Erojakin toki löytyy, mutta pääsääntöisesti kunnat pohtivat asiakirjahallinnossaan samantapaisia asioita. Suomen kunnissa ollaan tänä päivänä kovaa vauhtia siirtymässä sähköiseen asiointiin ja arkistointiin ja se näkyy kunnissa. Myös tuleva sote-uudistus ja valtakunnallinen SAPA -palvelu mietityttävät seurauksineen.
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) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.001 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.126 | 0.032 |
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".