Pirkanmaan ICT-alan työnhakijoiden osaamisen tunnistaminen 2020 : Osaamiskartoituksen loppuraportti
Bibliographic record
Abstract
Pirkanmaan ELY-keskuksen toimeksiannosta osaamiskartoituksessa selvitettiin 232 pirkanmaalaisen ICT-alan työnhakijan ammatil-lista osaamista sekä heidän näkemyksiään siitä, mitkä tekijät hankaloittavat heidän työllistymistään ICT-alan työtehtäviin ja millaista tukea he kokevat tarvitsevansa työllistyäkseen heitä kiinnostaviin työtehtäviin. Vastaajat jakautuvat pääosin neljään ryhmään. 1. Vastavalmistuneet, joilla keskeisin työnhakua hankaloittava tekijä on työkokemuksen puute. 2. Kokeneet työnhakijat, joilla on haasteena ammatillinen osaamisen vanhentuminen. Toisaalta heillä ei myöskään ole juuri tietämystä modernin ohjelmistokehityksen toimintamalleista tai -menetelmistä, mikä myös hankaloittaa heidän työnhakuaan. 3. Vieras-kieliset, joilla työnhakua hankaloittaa erityisesti puutteellinen suomen kielen taito. 4. Muut vastaajat, kuten esimerkiksi alanvaihtajat, joilla puuttuva tai puutteellinen ICT-alan tutkinto ja puuttuva alan työkokemus sekä näistä johtuva laaja-alaisempi teknologiaosaamisen puute ovat merkittävä haaste työllistymisessä ICT-alalle. Ohjelmistoalalla ammattitaidon ylläpitäminen edellyttää jatkuvaa uuden oppimista ja osaamisen kehittämistä. Suurin osa (84 %) vas-taajista olikin kiinnostunut ammatillisen osaamisen kehittämisestä lisä- tai uudelleenkouluttautumalla. Erityisesti vastaajia kiinnosti lisä-koulutus, jonka puitteissa heillä on mahdollisuus päivittää ja täydentää aiempaa osaamistaan vastaamaan yritysten tarpeita ja johon sisältyy mahdollisuus käytännön harjoitteluun esim. työssäoppimisen puitteissa. Saavutettavuus on tarkistettu.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.008 | 0.006 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.056 | 0.016 |
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".