Ukrainan sodan vaikutukset Suomen matkailuun
Bibliographic record
Abstract
Työ keskittyy Venäjän hyökkäyssotaan Ukrainassa, ja siihen miten se vaikuttaa Suomeen suuntautuvaan matkailuun. Maailmanlaajuinen koronapandemia ja sen jälkeinen Euroopassa syttynyt sotatilanne ovat vaikuttaneet merkittävästi. Opinnäytetyön tavoitteena oli selvittää, miten Ukrainan sota vaikuttaa suomalaiseen yhteiskuntaan, erityisesti matkailuun. Tavoitteena oli tuoda ilmi tällaisen kriisin vaikutuksia ja tarkastella kriisin vaikutuksia erityisesti matkailuun Pohjois-Savon alueella. \n \n \n \nTyö on tehty kirjallisuuskatsauksena. Työssä ei tehty erillistä tutkimusta, vaan paremminkin olemassa olevaa tietoa tutkittiin ja analysoitiin. Työn pohjana käytettiin erilaisia lähteitä, kuten aikaisempia tutkimuksia, tilastoja ja muita aiheeseen liittyviä dokumentteja. Analyysin avulla pyrittiin saamaan selville, miten kriisiin vaikutukset ilmenevät matkailutilastoissa ja mahdollisesti myös yhteiskunnallisissa ilmiöissä. \n \n \n \nTyön tulokset osoittavat, että Ukrainan sota on vaikuttanut huomattavasti Suomen matkailuun. Venäläisten turistien määrä on vähentynyt, mikä on aiheuttanut huolta matkailualalle erityisesti Pohjois-Savon alueella. Yhteiskunnan ilmiöissä kriisin vaikutukset näkyvät turvallisuuden tunteessa ja matkailupäätöksissä. Jatkotutkimuksessa voidaan syventyä tarkemmin koko Suomen laajuisiin vaikutuksiin, tai analysoida venäläisten turistien määrän vähenemisen vaikutuksia koko yhteiskuntaan. Opinnäytetyössä on hyvä pohja mahdollisille tutkimuksille tulevaisuudessa.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.061 | 0.019 |
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".