Käytännönläheinen rekrytointiopas, Case: Suomen Vahinkovakuutus
Bibliographic record
Abstract
Tämän toiminnallisen opinnäytetyön tarkoituksena on tehdä käytännönläheinen ja ammattimainen rekrytointiopas Suomen Vahinkovakuutus Oy:lle. Rekrytointiopas auttaa yrityksen rekrytoivaa henkilöä muistamaan rekrytointiprosessin eri vaiheet, lisäksi tuo hyviä vastauksia käyttöönsä eri tilanteisiin. \n \nOpas neuvoo tekemään rekrytoinnin järjestelmällisesti ja mahdollistaa mahdollisimman onnistuneen rekrytoinnin. Järjestelmällisellä ja hyvin suunnitellulla rekrytoinnilla pyritään ja onnistutaan välttämään virherekrytoinnit. \n \nOppaan tekemisessä käytettiin aineistona rekrytointiin ja henkilöstöjohtamiseen liittyvää kirjallisuutta sekä verkkoaineistoja ja artikkeleita. Taustatietotutkimukseen on käytetty puolistrukturoitua haastattelumenetelmää aineistona. \n \nOppaassa itsessään käydään läpi rekrytointiprosessin eri vaiheet ja vaiheisiin on liitettynä paljon erilaisia muistettavia asioita sekä toimintaohjeita. Raportissa on kerrottu tarkemmin jokaisesta rekrytointiprosessin vaiheesta ja niiden vaikutuksista muihin vaiheisiin. \n \nRekrytointiopas on suunniteltu ja toteutettu huolella ja toimii Suomen Vahinkovakuutus Oy:llä tulevaisuudessa ohjekirjana rekrytointiprosessin eri vaiheissa. Raporttiin on kirjoitettu kaikki oleellinen tieto rekrytointiprosessista ja pyritty kertomaan oikeat syyt eri toimintatapoihin. \n \nKehittämisehdotuksena Suomen Vahinkovakuutuksen toimintatapaan ja lisäyksenä rekrytointiprosessiin olen ideoinut otettavan käyttöön RecRightin järjestelmän ja videohaastattelukysymykset. Raportissa olen kertonut lisää syitä, miksi juuri RecRightin käyttöjärjestelmä ja mitä hyötyä yleisesti videohaastattelukysymyksistä on rekrytointiprosessissa.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.006 | 0.004 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.004 | 0.005 |
| Insufficient payload (model declined to judge) | 0.021 | 0.003 |
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.
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".