Hakukoneoptimointi verkkojournalismissa : MTV Lifestylen artikkelien optimointi ja sen vaikutukset artikkelien näkyvyyteen
Bibliographic record
Abstract
Kymmeniä tuhansia Google-hakuja tehdään joka sekunti. Googlen merkitys uutissivustojen liikenteen välittäjänä on kasvanut, ja syksyllä 2017 hakukone ohitti Facebookin toistaiseksi lopullisesti. Näin on käynyt myös Suomen suurimmassa kaupallisessa uutismediassa, MTV:llä. \n \nOpinnäytetyöni tarkoituksena on selvittää, kuinka paljon hakukoneoptimointi vaikuttaa yksittäisten uutissivuston artikkeleiden sijoittumiseen Googlen hakutuloksissa ja sivun liikenteeseen. Työ toteutetaan MTV Lifestyle -sivustolle, toimeksiantona Mediahub Helsinki Oy:lle. Opinnäytetyö on tutkimuksellinen kehittämistyö. \n \nOpinnäytetyön teoreettisessa viitekehyksessä keskitytään selvittämään ensin hakukoneiden toimintaperiaatteita sekä hakukoneoptimoinnin perusteita ja keinoja. Selvitysosaan valikoitui 11 juttua. Niitä muokattiin keinoilla, jotka ovat tavalliselle kirjoittavalla toimittajalle työn ohessa mahdollisia. Muutoksia tehtiin niin titleen, metakuvaukseen, leipätekstiin, kuviin kuin tägeihin. Tuloksia seurattiin Googlen hakukoneesta havainnoimalla sekä Adobe Analytics -analytiikkatyökalua käyttäen. \n \nTulokset osoittavat, että hakukoneoptimoinnista on todella hyötyä. 11 artikkelista kahdeksan sijoittuminen hakukoneessa parani ja seitsemän jutun klikkausmäärät kääntyivät kasvuun. Keskimäärin juttujen klikkaukset kasvoivat 129 prosenttiyksikköä. Tutkimuksen seuranta-aika oli neljä kuukautta, joten pidemmällä aikavälillä voitaisiin varmasti saada entistä parempia tuloksia. \n \nVerkkojournalismissa on kuitenkin tärkeää pohtia tarkkaan sitä, millä avainsanoilla juttuja on järkevä lähteä hakukoneoptimoimaan, jotta verkonkäyttäjälle pystytään tarjoamaan kaikista relevanteimmat tulokset ja kiireisessä toimituksessa aikaa ei mene hukkaan.
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 | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.011 | 0.006 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.078 | 0.024 |
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".