Audiovisuaalisen alan tuotantokannustimet : kannustinjärjestelmän hyödyt ja haasteet \nSuomessa
Bibliographic record
Abstract
Suomen tuotantokannustinjärjestelmän pilottivaihe käynnistyi tammikuussa 2017 ja päättyi vuoden 2019 lopussa. Pilottivaiheen päättymisen jälkeen maksuhyvitystä tarjotaan edelleen tuotannoille järjestelmän tuottamien hyötyjen ansiosta. \n \nTässä työssä esitellään kannustinjärjestelmää käymällä läpi eri kannustinmalleja eri puolilla maailmaa, sekä Suomessa käytössä olevan kannustimen käyttöönottoa, rahoitusehtoja ja hakuprosessia. Opinnäytetyö kysyy, mitä todettuja hyötyjä kannustinjärjestelmästä on Suomen taloudelle ja millaisia haasteita Suomella on järjestelmän suhteen. \n \nTyön menetelmänä on käytetty haastatteluja. Työtä varten on haastateltu kolmea eri henkilöä, jotka ovat toimineet työssään kannustinjärjestelmän parissa: tuotantokannustinta tarjoavan toimijan edustajaa, suomalaisen elokuvakomission edustajaa sekä suomalaista freelance-tuotantopäällikköä. Lisäksi työssä on käytetty laajasti kirjallisia lähteitä ja seurattu aiheeseen liittyvää uutisointia. \n \nOpinnäytetyössä todetaan kannustinjärjestelmän tuovan Suomelle paljon taloudellisia hyötyjä sekä kasvattavan työllisyyttä niin audiovisuaalisella, kuin myös muillakin aloilla. Järjestelmä on tuonut maahan lisää kansainvälisiä yhteistuotantoja ja kasvattanut Suomen brändiä tuotantomaana. Suomen haasteena on vastata kasvavaan kysyntään, sillä vuosittainen budjetti on pieni ja ammattitaitoista henkilöstöä ei ole riittävästi suuriin kansainvälisiin tuotantoihin. \n \nTyö kokoaa yhteen haastatteluissa sekä kirjallisissa lähteissä esiintuotuja kehitysehdotuksia, joiden avulla tuotantokannustinjärjestelmästä voitaisiin saada suurempia hyötyjä irti. Näitä kehitysehdotuksia ovat esimerkiksi budjetin koon kasvattaminen sekä alan henkilöstön koulutuksen parantaminen. Järjestelmän budjetin suurentaminen ei ole mahdotonta, sillä se rahoittaa itse itsensä tuomalla alueelle lisää tuloja tuotantokustannusten kautta. Opinnäytetyön lopputulemana on, että järjestelmän pitää olla pysyvä osa suomalaista taloutta ja siihen tulisi panostaa suuremmilla resursseilla.
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 | 0.003 | 0.006 |
| 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 | 0.006 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.149 | 0.060 |
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".