Autoalan murroksen vaikutukset tulevaisuuden autoliiketoimintaan
Bibliographic record
Abstract
Tämän opinnäytetyön tarkoituksena on selvittää autoalan murroksen vaikutuksia tulevaisuuden autoliiketoimintaan. Teoriaosuudessa keskitytään yleisesti autoalan muutosvetureihin, jälkimarkkinoinnin sekä automyynnin toimintoihin sekä näihin liittyviin muutoksiin ja mahdollisuuksiin tulevaisuudessa. Tutkimustyön osalta on konkreettisesti tarkoitus perehtyä autoalan työllisyyteen, työn kuvien muuntumiseen sekä liiketoiminnan mahdollisuuksiin vaikuttaviin asioihin tulevaisuudessa. \nAihe on autoalalle ajankohtainen, koska autoalan murroksen vaikuttajat kuten digitalisaatio, ilmastonmuutos, autojen sähköistyminen sekä muut ympäristöystävälliset teknologiat tulevat muuttamaan autoliiketoimintaa seuraavien vuosikymmenten aikana niin työtehtävien kuin myytävien ja huollettavien tuotteiden osalta. \nTaustalla autoalan muuntautumiselle ovat teknologisen murroksen mukanaan tuoman digitalisaation ohessa ilmastonmuutokseen vaikuttavat kasvihuonepäästöt sekä niihin suuntautuvat Suomen hallituksen, maailmanlaajuisten ympäristösopimusten sekä EU:n käytön vähentämiseen liittyvät ehdotukset ja päätökset. Nämä ehdotukset ja päätökset ovat avainasemassa uusien käyttövoimien yleistyessä sekä infrastruktuuria rakennettaessa. \nAutoliiketoiminnan tulevaisuudesta on julkaistu maailmalla erilaisia tutkimuksia ja skenaarioita, mutta esimerkiksi Suomessa eri autoliikkeiden reagoinnissa on silti nähtävissä toimintaeroja niiden hakiessa ja optimoidessa toimintaansa tulevaisuuden tarpeisiin. Lisäksi korona-aika on selkeästi vaikuttanut toimintoihin yleisen tilanteen ollessa epänormaalissa tilassa. Tutkimustyössä on laadittu kysely Suomessa toimiville merkkiliikkeille, jossa tutkimuksen lopputuloksena selvitetään Suomen autoliiketoiminnan työllisyysmuutoksia, työnkuvien muuntumista sekä liiketoiminnan mahdollisuuksia tulevaisuudessa.
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.009 | 0.004 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.115 | 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".