Lastenkulttuurituottajan työnkuva : työnkuvan määrittely
Bibliographic record
Abstract
Tämän opinnäytetyön tavoitteena oli selvittää, millainen on Suomessa työskentelevien lastenkulttuurituottajien työnkuva. Opinnäytetyön toimeksiantajana toimi Suomen lastenkulttuurikeskusten liitto. Työnkuvaa tutkittiin työtehtävien, työnkuvassa tapahtuneiden ja tulevaisuudessa tapahtuvien muutosten, osaamisen ja työn erityispiirteiden kautta. \n \nTutkimus toteutettiin kyselytutkimuksena, joka yhdisteli kvantitatiivisia ja kvalitatiivisia kysymyksiä. Toteutus tapahtui helmikuussa 2022. Kyselyn aineisto kerättiin Google Forms -palvelulla ja kysely toimitettiin vastaajille sähköpostitse. Lisäksi kysely oli esillä toimeksiantajan verkkosivuilla. Kyselyyn vastasi 56 lastenkulttuurituottajaa. \n \nTutkimuksesta selvisi, että lastenkulttuurituottajan työnkuva on hyvin moninainen. Lastenkulttuurituottajat työskentelevät päivittäin tietokoneella, mutta päiviin sisältyy myös paljon muita vaihtelevia työtehtäviä. Työtä tehdään asiakkaille, joille pyritään tarjoamaan mahdollisimman laadukasta ja monipuolista kulttuuritoimintaa saavutettavasti. Lastenkulttuurituottajien työn kohderyhmänä ovat lasten lisäksi myös nuoret. Työnkuva sisältää entistä enemmän markkinointia ja viestintää, jossa lastenkulttuurituottajat toivovat kehittyvänsä.
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 | 0.003 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.005 | 0.003 |
| Scholarly communication | 0.013 | 0.016 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.177 | 0.149 |
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".