Kehityksen prosessi vai hankkeen offensiivi : tapaustutkimus hankkeen vaikutuksista
Bibliographic record
Abstract
Tutkielma on tapaustutkimus kehittämishankkeen vaikutuksista ja vaikutusten todentumisen edellytyksistä. Tapauksena on Itä- ja Pohjois-Lapin\netäoppimisympäristöjen kehittämishanke, joka toimi vuosina 2004–2007 seitsemän kunnan alueella, joista neljään Itä-Lapissa tutkimus kohdistuu. Tutkielmassa kysytään,mitä hankkeesta on jäänyt elämään noin vuosi hankkeen päättymisen jälkeen ja miksi toisten käytäntöjen on ollut mahdollista juurtua ja toisten ei. Lisäksi pohditaan millaista yhteiskuntaa hankkeilla muokataan. Vaikuttavuuden toteaminen tieteellisesti edellyttää mitattavuutta sekä mittausten vertailtavuutta, mikä ei hankkeiden alati muuttuvassa ympäristössä ole mahdollista. Vaikuttavuuden käyttö argumentoinnissa on kuitenkin poliittisesti houkuttelevaa sillä vaikuttavuusnäyttö tekee päätöksenteosta rationaaliselta vaikuttavaa valintaa erilaisten taloudellisten vaikutusten välillä. Samalla toimenpiteistä tulee neutraaleja ja häivytetään yhteiskuntapolitiikkaan liittyvät arvot ja valinnat. Etähankkeen tapauksessa hankkeella oli kolmenlaisia vaikutuksia: osa vaikutuksista todentui jo hankkeen aikana (muutostyökalu), osa jäi elämään hankeen jälkeen osaamisena ja uusina käytänteinä (osaamisen kehittäjä) ja osa ei vielä löytänyt paikkaansa (tienraivaaja). Vastakkain asettuvat hankkeiden ja pysyvien instituutioiden, kuten kuntien erilaiset edellytykset toimia. Merkittävää uusien toimintojen juurtumiselle oli Etähankkeen tapauksessa se, millainen tulkinta kehitykselle annetaan. Hankkeiden vaikutuksilla on edellytyksiä juurtua, jos kuntatoimijat kokevat ne välittämättömänä osana kehityksen prosessia. Sen sijaan offensiivinen tulkinta hankkeen toiminnasta voi tarkoittaa, että hankkeen uudet toimintatavat koetaan uhkana tai haasteena perustoiminnalle eivätkä ne löydä paikkaansa hankkeen päätyttyä.
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 | 0.001 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.009 | 0.005 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.052 | 0.013 |
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".