Positiivisen luottotietorekisterin merkitys henkilöasiakkaiden luotonantoon Suomen rahoitusmarkkinoilla
Bibliographic record
Abstract
Suomalaisten kotitalouksien velkaantuminen on kasvanut merkittävästi 2000-luvulta eteenpäin, mikä on lisännyt tarvetta uudistaa Suomen luottotietotoimintaa. Opinnäytetyön tavoitteena oli tutkia positiivisen luottotietorekisterin vaikutuksia henkilöasiakkaan luotonantoon ja sen potentiaalia kotitalouksien velkaantumisen hallinnassa verrattuna negatiiviseen luottotietojärjestelmään. Aiheen taustoihin ja teoriaan tutustuttiin kirjallisuuskatsauksen, jossa tarkasteltiin aiheeseen liittyvää lainsäädäntöä sekä aikaisempia tutkimuksia. Lisäksi työssä hyödynnettiin laadullista tutkimusmenetelmää, rahoitusalan asiantuntijoiden haastatteluita. \n \nTutkimustulokset osoittivat, että positiivinen luottotietorekisteri voi merkittävästi vähentää epäsymmetristä tietoa luottomarkkinoilla tarjoamalla luotonantajille kattavan ja luotettavan tietopohjan luotonhakijoiden taloudellisesta tilanteesta. Tämä edistää läpinäkyvyyttä luottomarkkinoilla ja lisää vastuullisempaa luotonantoa. Positiivisen luottotietorekisterin havaittiin myös tuovan kuluttajille työkalun oman taloutensa hallintaa näin hilliten ylivelkaantumiskehitystä. \n \nOpinnäytetyö tarjoaa ajankohtaista tietoa ja näkökulmia niin lainanhakijoille kuin rahoitusalan toimijoille.
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) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.056 | 0.010 |
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".