Koulujen tietotekniikkainvestointien hankintaprosessit
Bibliographic record
Abstract
Suomi sijoittuu vuosi toisensa jälkeen PISA-arvioinneissa maailman kärkeen, mutta koulujen tietotekniikkavertailuissa on Suomen sijoitus laskenut jo useita vuosia perättäin. Koulujen tietotekniikkainvestoinnit eivät siis ole täyttäneet niille asetettuja odotuksia. Yhtenä syynä tähän ovat tehottomat hankintaprosessit, jotka eivät johda toivottuihin tuloksiin ja laskevat entisestään opettajien motivaatiota tietotekniikkainvestointien käyttöönottoon. Ongelman ratkaisemiseksi tässä diplomityössä tutkitaan Suomen kuntien hankintaprosesseja ja etsitään tehokkaampaan tietotekniikkainvestointien käyttöönottoon johtavia menetelmiä. \n\nTyön teoreettinen osuus keskittyy tietotekniikkainvestointeja käsitteleviin aineistoihin ja hankintaprosessien vaiheita ja mallintamista tutkivaan kirjallisuuteen. Koulujen tietotekniikkainvestointien hankintaprosesseista ei ole Suomessa suoritettu aiempaa tutkimusta, joten aineistoa haettiin ulkomaisista lähteistä ja muiden sektoreiden hankintaprosessien tutkimuksesta. Materiaalin pohjalta muodostettiin tietotekniikkainvestointien hankintaprosessille kehysmalli. \n\nTutkimuksen empiirisessä osuudessa toteutettiin haastattelututkimus, jossa tiedonkeräysmenetelmänä käytettiin puolistrukturoitua teemahaastattelua. Haastattelut suoritettiin yhdeksässä Suomen kunnassa, joista jokaisessa kunnassa haastateltiin peruskoulun ja lukion tietotekniikkainvestointien hankintaorganisaatioon kuuluvia henkilöitä. Kerätystä haastattelumateriaalista pyrittiin tunnistamaan teoriaosassa luodun kehysmallin mukaisia vaiheita ja sijoittamaan ne erilaisiksi hankintaprosessipoluiksi kuntakohtaisesti. \n\nTutkimuksessa luotiin hankintaprosessimallit kaikille tutkimukseen osallistuneille kunnille, sekä verrattiin löydöksiä teoriaosuudessa käsiteltyyn materiaaliin. Tuloksena saaduista malleista myös tutkimuksen ulkopuolelle jääneet kunnat voivat kehittää omia hankintaprosessejaan ja löytää vaihtoehtoisia hankintaprosessimalleja ja toimintatapoja
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.002 |
| Scholarly communication | 0.008 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.177 | 0.048 |
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".