Luovuutta tukeva johtaminen tietointensiivisellä IT-alalla
Bibliographic record
Abstract
Tämän tutkielman tarkoituksena oli selvittää tietointensiivisellä IT-alalla työskentelevien esimiesten käsityksiä luovuudesta ja sitä tukevista johtamisen käytännöistä. Tutkielman aihe on tärkeä, sillä alati kasvavalla IT-alalla luovuus on keskeinen osa jokapäiväistä työskentelyä ja tutkimusten mukaan esimiehen toimilla, suhtautumisella ja käsityksillä on merkittävä vaikutus luovuuden ilmenemiseen ja ilmentämiseen työpaikalla. Tutkielman aineisto koostuu JELMO- ja HeRMo-tutkimushankkeista kerättyjen kahdeksan esimiesasemassa olevan henkilön haastatteluista. Aineisto analysoitiin kolmessa eri osiossa. Ensin analysoitiin fenomenografisen käsiteanalyysin avulla esimiesten luovuuskäsitykset. Tätä seurasi fenomenografinen johtamisen käytäntöjen käsiteanalyysi. Viimeisessä osiossa yhdistettiin kahden ensimmäisen osion tulokset abduktiivista päättelyä hyödyntäen ja muodostettiin esimiesten käsitysten mukaiset luovuutta tukevat johtamisen ja johtajuuden käytännöt. Esimiesten luovuuskäsityksiä raamittivat olosuhde-, toiminto- sekä yksilötekijät. Luovuutta tukevat johtamisen käytännöt jakautuivat managerialistisiin johtamisen tekoihin ja vuorovaikutteisiin johtajuuden käytäntöihin. Managerialistisia luovuutta tukevia johtamisen tekoja olivat työprosessitiedon tarjoaminen ja panttaaminen, työn puikottaminen, ohjaus ja koutsaus sekä rekrytoinnin hallinta. Vuorovaikutteisia johtajuuden käytäntöjä olivat henkinen palkitseminen, fasilitointi, tilanteisiin mukautuminen, asiantuntijuuteen luottaminen, osallistaminen ja vuorovaikutusprosessien hallinta. Tulevaisuudessa olisi tärkeä tutkia samassa tutkimuksessa esimiesten ja alaisten käsityksiä luovuuden johtamisesta, ja verrata niitä toisiinsa. Näin saataisiin tarkempaa tietoa luovuutta tukevan esimiestyöskentelyn vaikuttavuudesta.
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 | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.013 | 0.006 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.106 | 0.039 |
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".