Kierrätys ammattikoulussa, ympäristölogistiikka tukana opetuksessa
Bibliographic record
Abstract
Maailmanlaajuinen yhteistyö kestävän kehityksen tavoitteissa tuo koulutukselle lisää vaatimuksia ja osaamistarpeita. Koulutuksen pitäisi olla edellä, näyttämässä muille esimerkkiä, pysyvätkö opettajat muutoksessa mukana? Opinnäytetyön idea heräsi keskusteluista kollegoiden kanssa, tutkijalle heräsi kysymys, kuinka hyvin ammattiopettajat pysyvät muutoksien ja vaatimuksien perässä? \nTutkimuksen tavoitteena oli saada selville millä tasolla kierrätyksen, yritysten vihreän siirtymän ja ympäristönäkökulman opetus Suomen ammattikouluissa on ja millaista osaamista yritykset odottavat opiskelijoilla olevan ennen kuin he tulevat yrityksiin töihin. Työssä tutkittiin olisiko opetusta mahdollista laajentaa kuten yritykset toivovat. \nTutkimus toteutettiin laadullisella tutkimuksella. Tutkimuksessa käytettiin kyselyitä ja haastatteluita. Kyselyiden kohteina oli yrityksiä ja ammatillisia opettajia ympäri Suomen. Haastattelu analysoitiin ja litteroitiin sekä tärkeimmät asiat koottiin yhteen. Yhteenvetona tehtiin Mind map ja selventäviä taulukkoja, joihin koottiin opettajien ja yrityskontaktien toiveita opetukseen, ja konkreettisia esimerkkejä mitä vihreä siirtymä tarkoittaa yrityksille. \nNäiden tuloksien perusteella selvisi, että tukipaketti on tarpeellinen monille opettajille. Vaikka tukipaketin tarve oli alusta asti selvä, sen sisällön laajuus oli suurempi kuin alussa arvioitiin. Moni opettaja halusi pohjan, jota voi itse myöhemmin muokata omaan opetukseen soveltuvaksi. Tukipakettiin haluttiin ympäristönmuutoksen historiaa, syitä miksi yhteistyö aiheen ympärillä on alkanut ja miten se on vuosien aikana edennyt. \nTukipakettiin haluttiin myös vaatimuksia mitä esim. EU, YK ja Suomen uusi ilmastolaki odottavat yrityksiltä ja oppilaitoksilta sekä yritysesimerkkejä, mitä yritykset ovat jo tehneet vihreän siirtymän hyväksi omissa toimipisteissään tai prosesseissaan. \nYhteistyö maailmanlaajuisesti kestävän kehityksen tavoitteissa on vasta alussa. Isoimpien yrityksien velvollisuus on tehdä tänä vuonna ensimmäinen kestävän kehityksen suunnitelma. Monissa isoissa yrityksissä panostetaan jo paljon kestävään kehitykseen ja ympäristönäkökulmaan, mutta monet pienet yritykset vielä pohtivat mitä se heille merkitsee. Olisi hyvä, että mahdollisimman moni oppilaitos kouluttaisi opettajiaan \naktiivisesti ja pitäisi heidän ajan tasalla meille kaikille tärkeästä aiheesta. Yhteistyö ammattioppilaitosten ja yrityksien välillä on tärkeässä roolissa muutoksessa. Myöhemmin tutkimukseen voisi tehdä jatkotutkimuksena arvion, miten koulutus on muuttunut vuosien varrella, myös konkreettisia valmiita esimerkkejä etäkoulutusmateriaalista voisi myöhemmin kehittää ja jakaa ammattioppilaitoksille.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.010 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.091 | 0.029 |
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".