Digitaalinen saavutettavuus Suomen kunnissa
Bibliographic record
Abstract
Nyky-yhteiskunta on varsin digipainotteinen, mutta jokaisen ei ole yhtä helppoa käyttää teknologioita. Digitaalinen kuilu jakaa teknologioita ja ihmi-siä. Jotta teknologiat soveltuvat mahdollisimman monille, niiden tulee olla saavutettavia. Laki vaatii tiettyjä toimijoita toteuttamaan digipalvelunsa saavutettavina niin Suomessa kuin ulkomaillakin. Kirjallisuuden perusteella saavutettavuus toteutuu käytännössä kuitenkin vain harvoin, eivätkä asian-tuntijat välttämättä edes tunne saavutettavuutta osa-alueineen kovin hyvin. Tutkimuksen kirjallisuusosiossa käsitellään erityisesti digitaalista kuilua ja aiheen tutkimuksen muotoutumista nykyiseen, inkluusion sekä käyttäjien hyödyt huomioivaan suuntaansa. Toinen kirjallisuusluku ottaa katsauksen saavutettavuuden toteutumista käsittelevään kirjallisuuteen. Sen lisäksi, että saavutettavuus toteutuu harvoin, havaitaan saavutettavuuden olevan heikosti tunnettu aihe, vaikka sitä pidettäisiinkin tärkeänä. Tutkimuksen empiirisessä osiossa tutkittiin digitaalisen saavutettavuuden nykytilaa sekä saavutettavuuden toteutumiseen vaikuttavia tekijöitä Suomen kunnissa. Empiirinen osio toteutettiin kahdessa osassa. Ensin suoritettiin Manner-Suomen kuntien verkkosivujen saavutettavuuden arviointi. Tämän jälkeen kunnissa suoritettiin kyselytutkimus (N = 105) saavutettavuusnäkemysten kartoittamiseksi. Kun-nista tunnistettiin keskimäärin 10,59 saavutettavuusvirhettä. Suurin osa kyselytutkimukseen vastanneista koki kunnassaan tehtävän saavutettavuustyön riittämättömäksi. Tutkimuksen perusteella automaattisten saavutettavuus-työkalujen käyttö johtaa parempaan saavutettavuuteen. Lisäksi kunnissa on tarve lisätä aiheen saamaa huomiota, kouluttaa henkilöstä ja parantaa saavu-tettavuudelle kohdennettua resursointia.
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) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.003 |
| Scholarly communication | 0.008 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.098 | 0.038 |
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".