Vakuutusalan substanssiosaamisen sanasto tekoälyä ja digitaalista alustaa varten
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Tässä opinnäytetyössä selvitettiin, sanoitettiin ja koottiin vakuutusalalla käytettävää substanssiosaamisen sanastoa. Opinnäytetyön toimeksiantajana toimi Finanssiala ry, ja opinnäytetyö oli osa jatkuvan oppimisen kehitystyön käynnistämiseksi tehtyä Finanssiakatemian Digitaalinen alusta –työryhmän selvitystä. \nTavoitteena oli selvittää keskeisimmät työnkuvat sekä niissä vaadittu substanssiosaaminen vakuutusalalla. Tärkeimmässä roolissa tehdyssä selvitystyössä ovat olleet yhtiöt ja oppilaitokset, jotka toimivat vakuutusalalla, sillä nämä organisaatiot pitkälti sanoittavat tarvittavan osaamisen sekä osaamisen tarpeen. \nOpinnäyteyön tutkimusmenetelmänä käytettiin kvalitatiivista tutkimusta. Tutkimus koostui pääosin haastatteluista, haastattelulajina käytettiin puolistrukturoitua haastattelua. Haastateltaviksi valittiin kuusi henkilöä vakuutusalalla toimivista organisaatioista, kaksi oppilaitoksista ja neljä vakuutusyhtiöistä. Haastatteluissa kartoitettiin alan työnkuvia, alalla vaadittavia tutkintoja ja substanssiosaamista, tulevaisuudennäkymiä sekä alan substanssisanastoa. Toisena tutkimusmenetelmänä opinnäytetyössä käytettiin dokumentteihin perustuvaa aineistonkeruumenetelmää, tarkemmin käytiin läpi alan työpaikkailmoituksia ja hankittiin niistä samoja tietoja kuin haastatteluillakin. Lisätietoa haastatteluissa ja aineistoanalyysissa ilmi tulleisiin osaamisiin ja työnkuviin liittyen on haettu myös internetistä hakukoneita hyödyntämällä. \nTehdyn tutkimuksen tuloksena syntyi vakuutusalan substanssiosaamisen sanasto, joka koostuu 15 sanasta. Sanastossa sanat on esitetty termitietueissa, jotka pitävät sisällään ammattinimikkeen määritelmineen, termin ruotsin- ja englanninkieliset vastineet sekä työn osaamis- ja tutkintovaatimukset.
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.
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 | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.003 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.004 | 0.002 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.032 | 0.004 |
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 it