Romanien työllistyminen - kompastuskivi vai ponnahduslauta? : Tuumasta töihin -koulutusmalli ponnahduslautana työllistymiseen
Bibliographic record
Abstract
Ärling, Mikael Mertsi Allan. Romanien työllistyminen - kompastuskivi vai pon-nahduslauta? Tuumasta töihin -koulutusmalli ponnahduslautana työllistymiseen. kevät 2018. 87 s., kuusi liitettä. \n \nDiakonia-ammattikorkeakoulu oy, Sosiaali- ja terveysalan johtaminen ja vaikuttavan palvelumuotoilun kehittämisen koulutusohjelma, sairaanhoitaja-diakonissa (YAMK). \n \nSyrjäytymisen taustalla olevat syyt ovat monitasoisia, yhteiskunnallisista tekijöistä aina perhe- ja yksilötason tekijöihin. Merkittävänä yhteiskunnallisena ilmiönä syrjäytymisen taustalla on työmarkkinoiden muutos sekä heikosti koulutetun työvoiman kysynnän romahtaminen. Tehokkuus- ja koulutusvaatimukset ovat kasvaneet ja yksilö, joka ei pysty niihin syystä tai toisesta vastaamaan, on vaarassa jäädä osallisuuden ulkopuolelle. \n \nRomanien kouluttautuminen ja työllistyminen nähdään monin tavoin haasteellisena. Opinnäytetyössä tarkastellaan romanien työllistymisen esteitä sekä työhön sijoittumisen ja osallisuuden edellytyksiä analysoimalla Suomen romaneista tehtyjä selontekoja. Sisällön analyysissa on käytetty fenomenologista lähestymistapaa. Selvitystiedosta tehtyä analyysia on peilattu näyttöön perustuvaan arkikokemukseen. \n \nOpinnäytetyössä kuvataan Nevo tiija -hankkeessa kehiteltyä produktiota Tuumasta töihin -koulutusmallia ja sen prosessia. Produktio on tiivis osa Diakonia-ammattikorkeakoulun hallinnoimaa valtakunnallista Nevo tiija – Uusi aika -ESR-hanketta. Tuumasta töihin -mallin uskotaan auttavan, ei vain romaneja, vaan myös muita vaikeasti työllistyviä henkilöitä.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.008 | 0.004 |
| Scholarly communication | 0.010 | 0.008 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.003 | 0.007 |
| Insufficient payload (model declined to judge) | 0.079 | 0.037 |
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".