Det globale arbejdsmarkeds udfordringer:samarbejdets betydning for virksomhed og medarbejder
Bibliographic record
Abstract
Fem virksomhedscases fra Samarbejdsnævnets årsrapport viser samstemmende, at Samarbejdsudvalgene spiller en hovedrolle i den koordinerende indsats mellem virksomhed, myndigheder og andre aktører - boligudlejere, banken, lokalbefolkningen - når udenlandsk arbejdskraft kommer til landet. På samme måde spiller Samarbejdsudvalgene en konstruktiv rolle i forbindelse med outsourcing. Steen E. Navrbjerg, forskningsleder for Forskningscenter for Arbejdsmarkeds- og Organisationsstudier (FAOS), påpeger i rapporten, at de fem cases i årsrapporten på mange måder illustrerer best practice ved organisationsændringer i almindelighed og ved outsourcing i særdeleshed. Det handler om rettidig information og kommunikation, og det er oplagt, at samarbejdsudvalgene er vigtige fora for dette arbejde. Samarbejdsnævnet har som primær opgave er at udføre oplysnings-, vejlednings- og udviklingsarbejde til fremme af samarbejdet i virksomhederne. Formand for Samarbejdsnævnet Povl-Christian Jensen, DA og næstformand Ejner K. Holst, LO: "Ansættelse af udenlandske medarbejdere eller outsourcing er for mange virksomheder nye områder. For andre er der så lang tid imellem det sker, at det hver gang er en ny udfordring, som naturligt hører hjemme i det stedlige samarbejdsudvalg. Flere cases i årsrapporten viser, hvor væsentlig det er, at modtagelsen af udenlandsk arbejdskraft er velforberedt og smidig. De fem virksomheder Lego, Alfa Laval, Føtex, Danish Crown og Ideal Combi stiller i årsrapporten deres erfaringer til rådighed og demonstrerer bl.a., hvordan samarbejdsudvalgene kan være med til at bygge bro mellem den udenlandske arbejdskraft og de offentlige myndigheder. De fem virksomhedscases illustrerer også, hvordan samarbejdsudvalgene kan fremme en god proces i forbindelse med outsourcing."
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 | 0.010 | 0.021 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.009 | 0.007 |
| Scholarly communication | 0.020 | 0.013 |
| Open science | 0.002 | 0.016 |
| Research integrity | 0.006 | 0.007 |
| Insufficient payload (model declined to judge) | 0.083 | 0.017 |
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".