MétaCan
Menu
Back to cohort
Record W7034277848

Työvoimakoulutuksella leivän syrjään : mikrohistoriallis-narratiivinen tutkimus koulutukseen osallistuneiden työmarkkinapoluista

2025· book· fi· W7034277848 on OpenAlexaboutno aff

Bibliographic record

VenueLauda (University of Lapland) · 2025
Typebook
Languagefi
FieldSocial Sciences
TopicBrazilian Legal Issues
Canadian institutionsnot available
Fundersnot available
KeywordsStatistical analysisQuarter (Canadian coin)Data collection
DOInot available

Abstract

fetched live from OpenAlex

Työvoimakoulutus on työhallinnon oma aikuiskoulutusjärjestelmä, jolla hoidetaan työvoiman kysynnän ja tarjonnan kohtaantoa. Samalla sillä hoidetaan aikuisväestön koulutustarpeita elinikäisen oppimisen hengessä. Tässä tutkimuksessa on seurattu 1990-laman aikana työttömiksi jääneiden ihmisten työmarkkinapolkujen kehittymistä yksilötasolla työvoimakoulutuksen jälkeen. Koulutushanke oli tarkoitettu pitkäaikaistyöttömille ja oli nimeltään Matkailuympäristön tuotteistaminen. Hankkeessa järjestettiin peräkkäin kaksi yhdeksän kuukauden kurssia vuosina 1996-1998. Niihin osallistui yhteensä 58 opiskelijaa. Kurssilaisten työmarkkinatilannetta on seurattu työhallinnon vaikuttavuustavoitteen hengessä heti koulutuksen jälkeen ja puolen vuoden kuluttua. Tässä tutkimuksessa erityinen kiinnostus on tutkia näiden laman pudottamien lappilaisten ihmisten työmarkkinapolkuja koulutuksen jälkeisen viidentoista vuoden ajalta. Tutkimuskohteena oleva koulutushanke oli uutta kokeileva, lumi- ja jäärakentamista sisältävä pilotti. Tutkimusotteeni on mikrohistoriallis-narratiivinen. Mikrohistoria antaa mahdollisuuden kertoa oikeassa kontekstissa neljännesvuosisadan aikaisia tapahtumia ja yksilöiden tarinoita ymmärrettävästi. Lähestymistapani edustaa konstruktivistista paradigmaa. Konstruktivismi korostaa ajatusta, jonka mukaan ihmiset rakentavat tietonsa ja identiteettinsä kertomusten välityksellä. Olen käyttänyt Bronfenbrennerin (1979) ekologisen systeemiteorian kehikkoa, joka antoi mahdollisuuden ymmärtää yksilöllisiä narratiiveja tässä historiallisessa ajassa ja paikassa. Narratiivisuus tuo mikrohistorialliseen näkökulmaan mielenkiintoisia tutkimuksellisia mahdollisuuksia. Se toimii mikrohistorian kanssa, kun tarkoitus on tavoittaa tutkimuskohteena olevien ihmisten todellisuus. Tutkimuksessa on laaja ja monipuolinen aineisto. Se koostuu teemahaastatteluista, lomakekyselyistä ja osallistuvan havainnoinnin materiaalista sekä viranomaismateriaalista. Tutkimuskysymyksiä asetin kolme: 1) Miten työvoimakoulutukseen osallistuneet kuvaavat koulutuksen merkitystä omalla opiskelu- ja työpolullaan? 2) Minkälaisia opiskelijatyyppejä työvoimakoulutukseen osallistuneista on mahdollista muodostaa? 3) Minkälaisia työuranarratiiveja osallistuneiden opiskelu- ja työpoluista on löydettävissä 15 vuoden seurannassa? Analyysissa hyödynnettiin sekä narratiivien että narratiivista analyysimenetelmää. Opiskelijoiden tärkein toive oli työllistyä uudelleen mahdollisimman pian. He tiedostivat hyvin uuden työmarkkinapolun vaikeudet, mutta toivoivat saavansa siihen tukea. He arvostivat luonnon elementtien parissa työskentelyä ja pitivät koulutuksen sisältöjä mielekkäinä. Parhaiten koulutuksessa menestyivät henkilöt, joilla oli riittävästi ammatillista pohjaa ja jotka pystyivät reagoimaan joustavasti koulutuksen sisäisiin tapahtumiin. Koulutukseen osallistuneiden opiskelijatyyppejä pystyi erottamaan kuusi: Menestyjä, Tilaisuuden hyödyntäjä, Asiantuntija, Vastatuuleen jouluja, Satunnainen kulkija ja Käväisijä. Opiskelijatyypeillä sain konkreettisesti esiin sen, kuinka erilaisilla tavoitteilla ja taustoilla työvoimakoulutuksiin tultiin. Eri tyyppien tarkastelu auttoi myös ymmärtämään syvemmin koulutukseen liitettyjä kokemuksia, odotuksia ja koulutuksen etenemistä. Menestyjät, Tilaisuuden hyödyntäjät ja Asiantuntijat olivat tyyppeinä henkilöitä, jotka tiesivät omat ammatilliset vahvuutensa. He olivat hakeutuneet koulutuksen etsimään itselleen luontoon liittyviä uusia taitoja, joista voisivat löytää työuralle uusia ideoita. Vastatuuleen joutujien koulutus alkoi positiivisesti ja heillä oli tullessaan vahvoja odotuksia koulutuksen sisältöön. Kurssin edetessä heille tuli kuitenkin henkilökohtaisia ongelmia, jotka sekoittivat hyvin alkaneen kurssin. Satunnaiset kulkijat ja Käväisijät ovat tyyppejä, joiden ohjautuminen koulutukseen oli vähemmän harkittua ja perusteltua. Monen koulutus keskeytyi henkilökohtaisen syyn vuoksi. Kolmanneksi tarkastelen, minkälaisia uranarratiiveja kurssilaisten viidentoista vuoden työmarkkinapoluista on mahdollista kuvata mikrohistoriallinen konteksti taustalla. Narratiivisen analyysin tuloksena jaoin työurat viiteen uratyyppiin: vakaa työura, nousujohteinen työura, liikkuva työura, epävakaa työura ja poikkeava työura. Työuranarratiivien etsiminen syvensi edelleen ymmärrystä työvoimakoulutukseen osallistuneiden elämänkuluista. Siinä missä opiskelijatyypit kuvasivat heidän koulutuskokemustaan ja -tavoitteitaan, työuranarratiivit antoivat mahdollisuuden tarkastella koulutuksen jälkeistä etenemistä. Yhteenvetona voi todeta, että tutkimuskohteena olevien henkilöiden työmarkkinapolut ovat edenneet viidentoista vuoden tarkastelussa yksilöllisesti. Tutkimushenkilöiden työhistoriat ja opiskelupolut osoittavat asianomaisten olleen erittäin aktiivisia tutkimuskurssien jälkeen. Kurssilaisten kokemukset ja työmarkkinaurat hahmottuivat moninaisina tyyppitarinoina. Ne heijastelivat aikansa yhteiskunnallista tilannetta, mutta niiden tarkastelu antaa myös uusia näkökulmia tämän päivän työmarkkinoiden ja jatkuvan oppimisen mahdollisuuksien kehittämiseen.

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 imitation

Not 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.

metaresearch head score (Codex)0.000
metaresearch head score (Gemma)0.001
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Qualitative · Consensus signal: Qualitative
GenreCandidate signal: Empirical · Consensus signal: none
Teacher disagreement score0.023
Threshold uncertainty score0.066

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0000.001
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0000.001
Science and technology studies0.0040.002
Scholarly communication0.0040.002
Open science0.0000.002
Research integrity0.0010.002
Insufficient payload (model declined to judge)0.0200.003

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.

Opus teacher head0.014
GPT teacher head0.237
Teacher spread0.223 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designQualitative
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2025
Admission routes1
Has abstractyes

Explore more

Same venueLauda (University of Lapland)Same topicBrazilian Legal IssuesFrench-language works237,207