Kehittämisen polku painin arvokisoissa : Case Junioreiden Maailmanmestaruuskilpailut
Bibliographic record
Abstract
Tämän opinnäytetyön tavoitteena on tutkia miten Suomen Painiliitto voi kehittyä, painin kansainvälisten arvokilpailuiden järjestäjänä. Tutkimuksen kohteena oli Tampereella vuonna 2017 järjestetyt painin junioreiden maailmanmestaruuskilpailut. Tutkimuksen tuloksia voidaan hyödyntää myös muita kansainvälisiä tapahtumia järjestettäessä. \nOpinnäytetyön teoreettinen viitekehys käsittelee painin historiaa sekä lajin kehittymistä olympialajiksi. Tämän lisäksi paneudutaan organisaation oppimismenetelmiin. Tutkimus on luonteeltaan kvalitatiivinen. Tutkimusmenetelmä valittiin siksi, että se mahdollisti vastaajien henkilökohtaisten näkemysten esiintuomisen. Tutkimuksen keskeisenä osana oli kahden viikon havainnointijakso. Muina tiedonkeruumenetelminä käytettiin haastatteluja sekä kyselylomaketta. \nTutkimuksen perusteella saatiin kartoitettua runsaasti kehitysehdotuksia ja tulevaisuudennäkymiä. Näin monikulttuurisessa tapahtumassa yksityiskohtaisuus on tärkeää ja organisaation tuleekin panostaa entistä enemmän havaintojen kirjalliseen tallentamiseen. Suurin osa tapahtumassa ilmenneistä ongelmista oltaisiin voitu ennakoida tiiviimmällä organisaatioiden välisellä yhteydenpidolla. Kokonaisuudessaan Suomen Painiliitto on osoittanut olevansa laadukas kilpailujärjestäjä.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.008 | 0.003 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.026 | 0.003 |
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".