Tarinoita työttömyydestä : narratiivinen tutkimus identiteetin uudelleenrakentamisesta irtisanotuksi joutumisen jälkeen
Bibliographic record
Abstract
Tutkimuksen kohteena on yt-neuvotteluiden kautta tuotannollisista ja taloudellisista syistä irtisanottujen identiteetin uudelleenrakentaminen. Tavoitteena on selvittää, minkälaisia asioita irtisanotut liittävät irtisanotuksi joutumiseen ja työttömyyteen, miten nämä asiat vaikuttavat yksilön persoonalliseen identiteettiin sekä kuinka irtisanotut pyrkivät rakentamaan identiteettiään uudelleen irtisanotuksi joutumisen jälkeen. Tutkimusaineistona on hyödynnetty Suomalaisen Kirjallisuuden Seuran ja Helsingin yliopiston tutkimusryhmän järjestämän vuoden 2018 Työttömän tarina -kirjoituskilpailun 12 irtisanotun kertomusta. Tutkimus on kvalitatiivinen ja se on toteutettu narratiivisella lähestymistavalla. Teoreettisena viitekehyksenä toimii narratiivisuus, sosiaalinen konstruktionismi ja identiteettitutkimus. Aineisto on analysoitu teemoittelemalla ja narratiivisella elämäntarina-analyysilla. Tulokset osoittivat, että työttömäksi jäädessä persoonalliseen identiteettiin vaikuttivat vahva osattomuuden ja toiseuden kokemus, ahdistus taloudellisesta tilanteesta, työn merkitys elämässä, itsensä kehittäminen, työpaikan ulkopuolisten sosiaalisten suhteiden laatu sekä elämän seisahtuminen odotustilaan. Nämä teemat yhdessä vaikuttavat identiteetin uudelleenrakentamiseen. Lisäksi yksilön tausta vaikuttaa siihen, miten hän rakentaa sisäistä tarinaansa ja samalla identiteettiään. Tulokset on esitetty myös tyyppitarinoina, joiden yhteisenä viestinä näyttäytyy irtisanotuksi joutumisen kontekstisidonnaisuus määrittyen kunkin irtisanotun omasta sisäisestä tarinasta käsin. Yhteiskunnan vastaamattomuus työllistymishaluun on aineistoa kokoava kertomusten motiivi. Kertomuksia yhdisti halu ottaa kantaa ja tuoda esiin irtisanotuksi joutumisen inhimillistä puolta.
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 | 0.000 | 0.000 |
| Science and technology studies | 0.006 | 0.003 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.000 | 0.004 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.023 | 0.007 |
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".