Tekoälyn mahdollisuudet kohdeyrityksen sisäisessä viestinnässä
Bibliographic record
Abstract
Opinnäytetyö avaa tekoälyn maailmaa käsitteenä, erityisesti työmarkkinassa ja tarkentuu siitä sisäiseen viestintään. Kokonaisuus tehdään valittuun kohdeyritykseen, jonka toimiala ja tutkimuksen yhteydessä käsitellyt osastot avataan toimenkuva- ja tarkoitusperusteella. \nTekoäly aiheena on kohdeyrityksessä aiemmin toteutetun kehittämistyön mukaan todettu tarpeelliseksi ja sen mahdollisia käyttökohteita on kartoitettu samassa yhteydessä. Kohdeyritys on kehittämistyössä todennut tekoälyn olevan osana tulevaisuuden teknologiatarpeita. \nTyön tavoitteena on tutkia, todentaa ja tehdä konkreettisia ehdotuksia johtopäätöksien perusteella tekoälyn mahdollisuuksista kohdeyrityksen sisäisessä viestinnässä. Tekoälysovelluksista tarkastellaan työssä erityisesti Chat GPT:tä, mutta myös käsite- ja mahdollisuustasolla yleisesti laajoja kielimalleja sekä tekoälyä ylipäätään. \nTutkimustapana käytettiin laadullista menetelmää, tarkemmin strukturoituja henkilöhaastatteluita useasta eri kohdeyrityksen yksiköstä, joille esitettiin sama kysymysaineisto. \nTutkimustulokset avaavat jokaisen kysymyksen sanallisesti ja niiden tukena on käytetty vastauksista tehtyä grafiikkaa, joka helpottaa pääpiirteiden näkyvyyttä. Sanallisessa kuvauksessa on myös kerrottu kuinka usein vastaukset ovat toistuneet vastaajien kesken. \nTehtyjen haastattelujen johtopäätökset perustuvat haastatteluista saatuun tietoon, josta pystyttiin tekemään useita päätelmiä. Vastauksien samankaltaisuuden ja toistuvuuden perusteella johtopäätöksiin nostettiin sekä keskeinen löydös, että sen yhteyteen sisäiseen viestintään kohdennetut kehitysehdotukset. Ehdotukset on kuvattu joko sanallisesti ja grafiikalla tai tekstillisin esimerkein.
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 | 0.001 |
| Science and technology studies | 0.005 | 0.003 |
| Scholarly communication | 0.009 | 0.003 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.080 | 0.027 |
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".