TYÖLLISYYSPALVELUIDEN VAIKUTTAVUUS Case: Vauhdittamo-hanke, Lahden kaupunki
Bibliographic record
Abstract
Työllisyyspalveluilla on merkittävä rooli työllisyyden hoidossa. Suomessa työllisyyden hoidon taustalla on kansallisten lakien lisäksi Euroopan unioin työllisyyspolitiikkaa. Työllisyyspalveluiden jatkuvan kehityksen ja laadukkaan palvelun takaamiseksi on tärkeä seurata palveluiden vaikuttavuutta. Kehittämishankkeen tavoitteena oli kehittää Lahden kaupungin työllisyyspalveluiden Vauhdittamo ESR-hankkeelle palveluiden vaikuttuvuuden seurantamenetelmä ja testata sitä ensimmäisen kerran. Seurantame-netelmällä selvitettiin Vauhdittamon palveluiden vaikuttavuutta. \nKehittämishanke toteutettiin pääosin määrällisenä tutkimuksena, ja aineisto kerättiin kyselytutkimuksen avulla. Kohderyhmänä oli 72 Vauhdittamossa asioinutta asiakasta. Aineiston analyysissä hyödynnettiin Webropol-ohjelman perusraportointia sekä ristiin-taulukointia. Seurantamenetelmää suunniteltaessa ja toteuttaessa käytettiin laadullista tutkimusmenetelmää työryhmätyöskentelyjen muodossa. Työryhmätyöskentelyn muis-tiinpanoja ja muita työskentelystä syntyneitä materiaaleja käytettiin aineistoa koottaessa ja analysoidessa. Tietopohja rakennettiin työllisyyspolitiikasta Euroopan unionin tasolta Suomen työllisyyspolitiikkaan ja siihen vaikuttaviin tekijöihin. Vaikuttavuutta ja vaikutuksia määriteltiin eri näkökulmien ja ajatusmallien avulla. \nTulokset osoittivat, että Vauhdittamon palveluilla on vaikutuksia yli 30 vuotta täyttänei-den aikuisten työllistymiseen, koulutuspaikan saamiseen ja valmiuksiin toimia itsenäisesti työnhaussa. Palvelun laadulla on merkittävä vaikutus onnistuneisiin asiakaskokemuksin. Vauhdittamon räätälöity ja henkilökohtainen apu, sekä työttömyyden ennaltaehkäisy tuovat lisäarvoa työllisyyspalveluille. Kehittämishankkeessa luotu seurantamenetelmä auttaa työllisyyspalveluita seuraamaan vaikuttavuuttaan ja näin pitämään yllä hyvää laatua sekä jatkuvaa kehitystä.
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 | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.023 | 0.004 |
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".