Hiljainen tieto : työkaluja Turun kaupungin henkilöstölle osaamisen ja hiljaisen tiedon tunnistamiseen ja hyödyntämiseen
Bibliographic record
Abstract
Hiljaisen tiedon tunnistaminen ja sen hyödyntäminen työpaikoilla on tärkeää. Se on tärkeää sekä organisaatiolle, mutta myös merkityksellistä työntekijälle itselleen. Erityisesti organisaatioissa tulisi kiinnittää huomiota tiedon jakamiseen silloin kun työntekijä on lähdössä työstään. Hiljaista tietoa on ehtinyt kertyä erityisesti työntekijöille, jotka ovat tehneet työtään pitkään. Tässä opinnäytetyössä keskitytään ikääntyviin ja pian eläköityviin työntekijöihin. Opinnäytetyössä esitettyjä asioita voi käyttää myös koko työyhteisön osaamisen ja hiljaisen tiedon tunnistamisen ja jakamisen tueksi. \n \nTarve hiljaisen tiedon kehittämistyöhön tuli Turun kaupungin henkilöstöhallinnon henkilöstön kehittämistiimiltä. Hiljaisen tiedon tunnistamiseen sekä jakamiseen kaivattiin päivittämistä. Kehittämisen tueksi haluttiin kuulla työntekijöiden sekä esihenkilöiden näkökulmia, miten osaamista ja hiljaista tietoa tulisi käsitellä työpaikoilla. Kehittämistyö on koettu merkitykselliseksi niin työntekijöiden, esihenkilöiden kuin työnantajankin puolesta. \n \nOpinnäytetyössä kuvataan tietopohjan avulla osaamista työpaikoilla sekä hiljaisen tiedon tunnistamista ja jakamista. Lisäksi tietopohjassa keskitytään esihenkilötyöhön. Tietopohja rajautuu eläköityviin työntekijöihin ja heidän johtamiseensa. Opinnäytetyön tavoitteena on työntekijöiden ja esihenkilöiden näkökulmia hyödyntämällä kehittää osaamisen ja hiljaisen tiedon tunnistamisen sekä jakamisen menetelmiä työsuhteen päättymisvaiheessa. \n \nKehittämistyössä toteutettiin kahta laadullista menetelmää käyttämällä. Työntekijöiden näkökulmat Keskeisimmät taidot ja tiedot –lomakkeesta sain lomakkeen täyttämisen jälkeen haastattelulla. Haastatteluissa ilmenneitä näkökulmia tarkasteltiin työpajassa, johon osallistuivat esihenkilöroolissa olevia työntekijöitä. Näistä kahdesta menetelmästä rakentui kehitysehdotuksia Turun kaupungille. \n \nOpinnäytetyössä tehdystä kehittämistyöstä sekä tietopohjasta on hyötyä koko organisaatiolle. Opinnäytetyö on käytettävissä myös muissa organisaatioissa osaamisen ja hiljaisen tiedon kehittämisen tukena.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.008 | 0.004 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.155 | 0.064 |
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".