Asiakastyön dokumentointi vastaanottokeskuksissa
Bibliographic record
Abstract
Tutkimus käsitteli asiakastyön dokumentointia vastaanottokeskuksissa tietojärjestelmiä hyödyntäen. Asiakastyön dokumentointi vastaanottokeskuksissa tapahtuu Umarek-asiakastietojärjestelmän avulla. Umarek on osa UMA-järjestelmää, joka on valtakunnallisesti käytössä maahanmuuttoasioissa. Tutkimuksessani etsin vastausta tutkimuskysymyksiini, joilla halusin selvittää, miten vastaanottokeskuksissa dokumentoidaan asiakastyötä? Hyödynnetäänkö kaikkia Umarek-asiakastietojärjestelmän ominaisuuksia ja miten asiakastyön dokumentoinnissa käytettävät toiminto- ja kohdeluokitukset toimivat käytännössä? Tutkimusotteeni oli kvantitatiivinen. Tutkimuksen kohderyhmänä oli vastaanottokeskusten sosiaalipuolen työntekijät: etuuskäsittelijät, sosiaaliohjaajat ja sosiaalityöntekijät. Asiakastyön dokumentointia vastaanottokeskuksessa selvitin kysymyslomakkeen avulla, jossa kysyin taustamuuttujiin, vastaanottorahan ja asiakastyön dokumentointiin, vastaanottokeskuksen sosiaalityössä käytössä olevaan luokitukseen, sekä Umarekin käytettävyyteen liittyviä kysymyksiä. Aineiston analysoin SPSS-ohjelman avulla. Kyselylomake lähetettiin 22 aikuispuolen vastaanottokeskukseen ja seitsemään alaikäisyksikköön. Lähetin 74 kyselylomaketta vastaanottokeskusten työntekijöille maaliskuussa 2014. Kyselylomakkeen laadin Web-ropol-kyselyohjelmalla. Vastauksia sain 41, joten vastausprosentti oli 55. \n \nAsiakastyön dokumentoinnissa vastaanottokeskuksissa pidetään tärkeänä dokumentoinnin lainmukaisuutta, objektiivisuutta, ajantasaisuutta, tarkkuutta ja riittävän selkeää ohjeistusta, sekä jatkuvuutta. Valitettavasti kaupunkien ylläpitämissä vastaanottokeskuksissa käytetään kaupungin omia asiakastietojärjestelmiä (ATJ, Pro Consona, Effica), eikä vastaanottokeskusten Umarek-asiakastietojärjestelmää. Umarek-asiakastietojärjestelmää ei hyödynnetä riittävästi asiakastyön dokumentoinnissa, koska se on täysimittaisessa käytössä vain valtion ja Punaisen Ristin ylläpitämissä vastaanottokeskuksissa. Se, että puolet vastaanottokeskuskentästä ei käytä Umarekia, tekee sen käytön turhaksi myös niitten osalta, jotka käyttävä järjestelmää jokapäiväisessä työssään. Vastaanottokeskusten toiminto- ja kohdeluokituksiin suhtauduttiin kentällä positiivisesti, mutta niiden hyödyntäminen täysimittaisesti esimerkiksi vastaanottokeskusten toiminnan tilastoinnissa, vastaanottotyön ohjauksen ja suunnittelun apuna, sekä toiminnan kehittämisessä kärsii myös siitä, että vain puolet vastaanottokeskuksista dokumentoi asiakastyötä Umarekin sosiaalityön muistiinpanoihin. \n \nOlisi erittäin tärkeää, että eri vastaanottokeskuksissa noudatettaisiin yhteisesti sovittuja käytäntöjä ja hyödynnettäisiin nimenomaan Umarek-asiakastietojärjestelmää asiakastyön dokumentoinnissa. Tällöin asiakkaat olisivat yhdenvertaisessa asemassa ja tarvittava tieto on käytettävissä uudessa keskuksessa asiakkaan siirtyessä keskuksesta toiseen. On suuri puute, etteivät kaupunkien ylläpitämien vastaanottokeskusten sosiaalipuolen työntekijät käytä Umarekia, vaan heillä merkinnät jäävät kaupunkien omiin tiedostoihin. Umarek-asiakastietojärjestelmä tulee saada täysimittaiseen käyttöön koko vastaanottokeskusjärjestelmässä ja kaikissa vastaanottokeskuksissa ylläpitäjätahosta riippumatta. Vastaanottokeskuksissa olisi käytössä yhtenäinen, tietoturvallinen ja toimiva asiakastietojärjestelmä, mutta sitä ei osata riittävästi hyödyntää. Tarvitaan yhteisten päätösten noudattamista käytännössä, sillä sähköiset tietojärjestelmät tukevat vastaanottojärjestelmän toimintaa ja sen ohjausta.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.003 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.047 | 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".