Bibliographic record
Abstract
MTV Uutiset on suomalainen uutismedia, joka tuottaa uutisia verkkoon videot edellä. Jokaiseen uutisartikkeliin pyritään saamaan uutista vastaava video jutun sisälle. Suomen ensimmäisenä kaupallisena televisiokanavana ja liikkuvan kuvan mediatalona verkkovideot ovat luonnollisesti ensisijaisessa roolissa MTV:n strategiassa. \n \nVaikka videot ovat olleet MTV Uutisten tekemisen keskiössä, MTV Uutisilla ei ole ollut aiemmin kattavaa ohjeistusta verkkovideoiden tekemiseen ja julkaisuun, vaan tietotaito on kulkenut pääosin suullisesti toimituksessa. Tästä syntyi tarve kehitellä kirjallinen video-ohjeistus oppaan muodossa MTV Uutisten toimituksen käyttöön. \n \nTässä opinnäytetyöraportissa tarkastellaan video-oppaan tekemisen lisäksi videoiden merkitystä mediakentässä laajemmin ja miten liikkuvan kuvan rooli journalismissa on kasvanut vuosi vuodelta sekä miten erityisesti sosiaalisen median alusta TikTok on muokannut ihmisten tapaa kuluttaa videoita. Raportissa selvitetään myös mikä tekee uutisvideosta hyvän ja mitä kriteerejä sen pitää täyttää. Haastattelin opinnäytetyöraporttia varten MTV Uutisten toimituspäällikkö Mona Haapsaarta. \n \nToiminnallisen opinnäytetyön varsinaisena tuotoksena on tuotettu MTV Uutisten toimituksen käyttöön tarkoitettu video-opas, joka on tämän opinnäytetyöraportin liitteenä. Video-oppaassa ohjeet ovat pääosin teknisiä, mutta tässä raportissa keskityn videoihin enemmän journalismin näkökulmasta. MTV Uutisten video-opas on tehty yhdessä Turun ammattikorkeakoulun medianomi-opiskelija ja kollega Oiva Longan kanssa. Opinnäytetyöraportit teimme itsenäisesti omiin ammattikorkeakouluihimme.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.142 | 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".