Valtion virastojen pilvipalvelujen ohjeistuksen ja koulutuksen kehittäminen
Bibliographic record
Abstract
Tämän tutkimuksen tarkoituksena oli tunnistaa ELY-keskusten, TEtoimistojen ja KEHA-keskuksen keskeisiä työpäivän sujuvuuteen vaikuttavia ongelmia ja löytää sitä kautta mahdollisuuksia uuden teknologian mahdollisuuksien ymmärtämiselle. Keskeinen asia oli miten pilviteknologiaa käyttävien järjestelmien ohjeistus ja koulutus pitäisi hoitaa, jotta niiden tarjoamat työvälineiden ja työkalujen käyttöönotto omaksuttaisiin työtehtävien hoidossa. Lisäksi työn tarkoituksena oli tunnistaa keskeisiä työpäivän sujuvuuteen vaikuttavia ongelmia ja löytää sitä kautta mahdollisuuksia uuden teknologian mahdollisuuksien ymmärtämiselle. Tutkimuksella selvitettiin minkälaisissa työtehtävissä virastojen henkilöstö oli, minkälaisilla työvälineillä he hoitivat työtehtäviään käytännössä, minkälaista tietoa tai koulutusta he tarvitsivat uusien työvälineiden tai työkalujen käyttöönotossa ja mistä he saivat niistä tarvitsemaansa tietoa kyselyn vastaushetkellä. Lisäksi virastojen työntekijät saivat esittää näkemyksiään Taimi-intranetin kehittämisestä. Tutkimus toteutettiin kyselytutkimuksena webropol-ohjelmalla. Tutkimuksessa käytettiin tutkimusmenetelmänä konstruktiivistä tutkimusotetta ja tutkimusaineisto oli määrällinen eli kvantitatiivinen. Kyselylomake sisälsi strukturoituja, puolistrukturoituja ja avoimia kysymyksiä. Kyselytutkimus saatteineen välitettiin KEHA-keskuksen, TEtoimistojen ja ELY-keskusten sisäisessä verkossa. Kyselyyn vastaaminen perustui vapaaehtoisuuteen, ja siihen vastattiin nimettömänä. Tutkimustulokset osoittavat, että merkittävä osa virastojen työntekijöistä toimi asiantuntijatehtävissä. Tutkimuksessa ilmeni, että virastojen työntekijöiden työtä kuvasi parhainten termit työni on asiantuntijatyötä ja töitä tehtiin pääsääntöisesti omassa työpisteessä. Lähes puolella työ sisälsi asiakaspalvelua. Tutkimuksessa ilmeni,että enemmistö vastaajista vastasi tarvitsevansa lisäkoulutusta Taimi-intranetin käyttämisessä vastaus hetkellä. Yli puolet vastaajista oli sitä mieltä, että henkilökohtaisen opastuksen saanti oli tärkeää uusien työssä hyödyntävien tekniikoiden käytöstä.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 0.002 |
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; both teacher heads agree on what is shown here.
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".