Konstruerer media\nHelse Finnmarks omdømme?
Bibliographic record
Abstract
Jeg har valgt å skrive en masteroppgave om Helse Finnmark HF og temaet har vært hva slags omdømme media konstruerer om foretaket. I den forbindelse var det interessant å finne ut hvilken innvirkning denne konstruksjon av omdømme har hatt på de ansattes opplevelse av eget foretak. Formålet med undersøkelsen har vært å beskrive ”virkeligheten” ut fra de ansattes ståsted. \n\nJeg har avgrenset oppgaven til å gjelde Hammerfest Sykehus. Jeg har benyttet meg av kvalitativ metode og som forskningsdesign har jeg benyttet et enkelt-case-design med en analyseenhet der studieobjektet er Hammerfest sykehus v/ Helse Finnmark HF. Jeg har gjennomført samtaleintervju med 9 ansatte på ulike nivå ved sykehuset. Jeg har også brukt egen erfaring samt dokumentanalyse av medieklipp fra aviser i Vest-Finnmark og en nasjonal brukerundersøkelse i arbeidet med å analysere empirien.\n\nBesvarelsen viser at kritikken fra media hovedsaklig har vært rettet mot ledelsen og at ledelsen oppfattes anonyme og lite offensive i media. Medias håndtering av foretaket oppfattes ikke positivt og brukerne påvirkes av mediekritikken, men i ulik grad. Media har en form for makt overfor befolkningen ved at de kan styre hva mottakeren får av informasjon. Dette er med på å påvirke brukernes holdninger og atferd. Når det gjelder ansattes opplevelser av mediekritikken så er det en belastning i egen arbeidssituasjon og for trivselen og dette påvirker arbeidsmiljøet. Lojaliteten overfor klinikkledelse og foretaksledelse er svak. Foretakets omdømme er svekket og de ansatte mener at alle ansatte har et ansvar for omdømmet men at ledelsen har ansvaret for å bedre omdømmet. De tillitsvalgte bør først og fremst bedre den interne dialogen. Generelt tror de ansatte at befolkningen har tillit til foretaket.\n\nSlik media fremstiller Helse Finnmark så kan våre omgivelser få inntrykk av at Helse Finnmark HF er et uprofesjonelt foretak. Vi som arbeider i foretaket vet at dette bildet ikke er korrekt. Jeg ønsker derfor velkommen et langsiktig verdi- og omdømmeprosjekt som fokuserer på foretakets organisasjonsidentitet og omdømmebygging av foretaket.
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 | 0.011 | 0.028 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.016 | 0.013 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.059 | 0.016 |
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".