Millainen otsikko menestyy paikallislehden verkossa?: Rantalakeus-lehden klikatuimmat verkko-otsikot kesäkuusta 2021 kesäkuuhun 2022
Bibliographic record
Abstract
Tässä opinnäytetyössä selvitetään, millainen otsikko menestyy paikallislehden verkkosivuilla ja mitkä asiat menestykseen vaikuttavat. Tutkimusaineistona on Rantalakeus-lehden 20 klikatuinta otsikkoa 1.6.2021–30.6.2022. Kiinnostuin aiheesta, koska koen otsikoinnin haastavana. Lehdeksi valikoitui juuri Rantalakeus, koska olen työskennellyt lehdessä kahden kesän ajan ja teen heille töitä avustajana. \n \nOletin ennakkoon, että otsikoilla ei ole suurta väliä ja jutut menestyvät Rantalakeuden verkkolehdessä ensisijaisesti aiheen takia. Tutkimus vahvisti oletustani. Otsikoista ei löydy juuri muita menestystä selittäviä asioita kuin uutisen aihe. Lehden levikkialueen merkittävät tapahtumat, kuten Hailuodon kunnanjohtajan eroaminen ja siitä seuranneet useat uutiset, toivat menestystä myös muille samoihin aikoihin julkaistuille uutisille. Aineiston otsikoista valtaosa on klikkaamaan houkuttelevia ja lukija saattaakin pitää niitä ensivilkaisulla klikkiotsikoina. Rantalakeuden otsikoille löytyy kuitenkin katetta jutusta, ne eivät johda harhaan, eikä klikkiotsikoinnin määritelmä näin ollen täyty. \n \nOpinnäytetyöni tutkimusmenetelmänä käytin määrällistä ja laadullista analyysiä ja sivusin retorista analyysiä. Laadullisen analyysin menetelmä pohjautui Mats Ekströmin kolmen journalistisen moodin malliin. Moodimallissa aineisto luokitellaan informatiiviseen, tarinankerronnalliseen ja attraktiiviseen moodiin. Analysoinnin apuna minulla oli myös päätoimittaja Sauli Pahkasalon antamat tiedot lehdestä ja siitä, millaisia ohjeita toimittajille annetaan otsikoiden kirjoittamiseen. \n \nRantalakeus on monipuolinen paikallislehti, jonka juttuaiheet vaihtelevat laidasta laitaan. Esimerkiksi kulttuurintekijät ja urheilun harrastajat ja ammattilaiset näkyvät lehden sivuilla viikoittain. Tutkimusaineistoon oli päätynyt kuitenkin vain pari kulttuuria sivuavaa juttua, eikä ollenkaan urheilujuttuja. Jatkotutkimusta voisikin tehdä esimerkiksi lukijatutkimuksena lehden kulttuuri- ja urheilujutuista. Toisaalta kaipasin analysointivaiheessa tietoa siitä, millaisia saman aikavälin vähiten klikatut otsikot olivat. Seuraava tutkimus voisikin vertailla eniten ja vähiten klikattuja.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.006 | 0.001 |
| Scholarly communication | 0.008 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.095 | 0.023 |
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".