Livemusiikin murros ja sen haasteet Suomen markkinoilla
Bibliographic record
Abstract
Opinnäytetyössäni tarkastelen syitä artistien keikkapalkkioiden nousuun ja niitä haasteita, joita suomalainen tapahtumajärjestäjä kohtaa halutessaan ulkomai-sen esiintyjän tapahtumaansa.\nEsittelen myös kiertueen esituotantovaiheen, kulurakenteen ja kiertueen mahdol-listavat henkilöt. Näin livemusiikkibisneksen ansaintamalli tulee helpommaksi käsittää.\nSuomalaisen tapahtumajärjestäjän haasteita ovat etenkin maantieteelliset ja logistiset syyt, kansainvälinen kilpailu, sekä pienet markkinat. Nykyään myös koti-maisten artistien suuri suosio vaikuttaa ulkomaisten artistien konserttien mää-rään Suomessa. Suurin yksittäinen syy hintojen nousuun on digitalisaatio ja siitä johtunut levymyynnin väheneminen. Muita syitä ovat entistä suurempia panostus konserttien tekniikkaan ja muutama suuryritys, jotka voivat maksaa esiintymisistä muita enemmän.\nOpinnäytetyötäni varten haastattelin Tuska Open Air-festivaalin tuotantopäällik-köä, sekä kotimaista Foreseen-yhtyettä, joka on juuri lähdössä Pohjois-Amerikan kiertueelleen. Näiltä tahoilta sain konkreettisia esimerkkejä, miten asiat käytän-nössä toimivat.
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 | 0.003 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.013 | 0.008 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.159 | 0.074 |
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".