Kansainvälisten osaajien työllistyminen Etelä-Karjalassa
Bibliographic record
Abstract
Tämän opinnäytetyön tarkoituksena oli selvittää kansainvälisten osaajien työllistymistä Etelä-Karjalan alueen yrityksiin. Opinnäytetyö tutkii millä palveluilla ja toimenpiteillä yritykset rohkaistuisivat palkkaamaan kansainvälisiä osaajia ja miten TE-toimisto voi auttaa yritystä matkalla kansainvälisen osaajan palkkaamiseen. Opinnäytetyö toteutettiin laadullisena tutkimuksena, jossa aineistonkeruuna käytettiin kyselyä ja kyselyn kohderyhmäksi valikoitui yritykset Etelä-Karjalan alueella, jotka toimialan mukaan katsottiin sopivan korkeasti koulutettujen työllistäjiksi. Yritysrekisterin hakusanoina käytettiin rekrytointi ja kansainvälistyminen. \n \nTutkimuksen teoriaosa käsittelee väestön ikääntymisen vaikutuksia kansantalouteen, kansainvälisten työntekijöiden työllistymistä edistäviä toimenpiteitä sekä kansainvälisten työntekijöiden asemaa Suomen markkinoilla sekä sitä, miten houkutteleva paikka Suomi on opiskella ja työskennellä kansainvälisissä vertailuissa. \n \nTutkimuksen tuloksista selvisi, että palveluja ja toimenpiteitä tarvitaan yritysten tukemiseen kansainvälisen työntekijän palkkauksessa. Yritysten tarpeet kuitenkin vaihtelevat ja näihin tarpeisiin on pystyttävä vastaamaan sillä työvoimapula koskettaa jo lähes joka toimialaa. Suurimpina haasteina kansainvälisen työntekijän palkkaamisessa koettiin suomen kielen osaamattomuus sekä työyhteisöön integroituminen. Osa yrityksistä siirtyy enenevissä määrin englannin kielen käyttöön mutta osassa yrityksistä on ehdoton suomen kielen osaamisen vaatimus.
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 | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.010 | 0.005 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.111 | 0.047 |
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".