Notice bibliographique
Résumé
Tämän opinnäytetyön tarkoituksena on verrata ihmisen ja tekoälyn tuottamaa luovaa tekstiä toisiinsa tapahtumakuvauksen muodossa. Tutkimuksen tavoitteena on selvittää, voiko tekoäly kirjoittaa tapahtumakuvauksia kuten ihminen. Tässä tutkimuksessa tekoälyä edustaa ChatGPT:n 4o-versio. Mikäli tekoälystä katsotaan olevan hyötyä tapahtumakuvausten teossa, voi se vapauttaa tapahtumatuottajien aikaa muihin työtehtäviin ja samalla säästää työnantajien resursseja. Opinnäytetyön tutkimus toteutetaan vertailevana tutkimuksena, jossa verrataan ihmisen ja tekoälyn tuottamia tapahtumakuvauksia. Ihmisen kirjoittama tapahtumakuvaus on kirjoitettu ennen tämän opinnäytetyön aloitusta, mutta tekoälyn eli ChatGPT:n versiota hiotaan vaiheittain tutkimuksen edetessä. Molempia lopputuloksia arvioidaan kymmenen arviointikriteerin perusteella. Tekoälyä käsittelevässä teoriaosuudessa käydään läpi tekoälyn toimintaa, sen historiaa ja sitä, kuinka tekoälyn erilaiset tasot asettuvat toisiinsa nähden. Teoria keskittyy erityisesti generatiiviseen tekoälyyn ja sen sovellusalueisiin. Koska tekoälyä edustaa tässä tutkimuksessa ChatGPT, käydään myös sen kehitysvaiheita läpi. Tekoälyyn liittyy olennaisesti myös sen juridiset ja eettiset kysymykset, joita tarkastellaan erityisesti Euroopan Unionin tekoälysäädöksestä löytyvän neliportaisen riskiluokituksen kautta. Viimeiseksi käydään läpi tekoälyä kohtaan esitettyä kritiikkiä. Tapahtumia käsittelevässä osuudessa esitellään, mitä termi tapahtumakuvaus tarkoittaa tässä opinnäytetyössä. Tekstissä tarkennetaan, mitä elementtejä tulisi hyvästä tapahtumakuvauksesta löytyä, mitkä ovat vapaaehtoisia ja mitkä seikat toimivat tapahtumaa sitouttavina tekijöinä. Suomen kielen muutoksia lähihistoriassa tarkastellaan erityisesti tapahtumaviestinnän näkökulmasta. Tapahtumakuvauksena käytetään Suomen Ekonomien vuonna 2023 järjestämää tapahtumaa nimeltä Ekonomiviisut, jossa esiintyivät artistit Käärijä ja KUUMAA. Opinnäytetyön lopuksi tarkastellaan tutkimustuloksia aiemmin lueteltujen arviointikriteerien perusteella. Tutkimustulokset pisteytetään ja lasketaan yhteen. Niin opinnäytetyön tekijä kuin tekoäly itse arvioi ihmisen kirjoittaman tekstin paremmaksi kuitenkin ymmärtäen molempien kirjoittajien heikkoudet ja vahvuudet. Tekoälyn todetaan olevan selkeästi nopeampi kirjoittamaan, mutta kohtaa haasteita esimerkiksi luovuuden saralla. Ihminen tapahtumakuvauksen kirjoittajana tuottaa selkeästi persoonallisempaa sisältöä täysin itsenäisesti. Tämän tutkimuksen tuloksena voidaan todeta, että ihminen voi hyödyntää tekoälyä tapahtumakuvaksen kirjoittamiseen, mutta tekoäly ei osaa sellaista täysin itsenäisesti tuottaa.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,034 | 0,010 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».