Parhaan kattavuuden saavuttaminen sosiaalisessa mediassa - Case Bike Taxi Oy
Bibliographic record
Abstract
Opinnäytetyön tarkoituksena oli tutkia millaiset päivitykset antavat parhaan kattavuuden Facebookissa ja onko parhaan kattavuuden saaneilla päivityksillä myös paras sitoutuneisuusaste. Työn toimeksiantajana oli Bike Taxi Oy, joka on kuopiolaisomisteinen polkupyöräriksataksitoimintaa harjoittava yritys. \n\nOpinnäytetyön tavoitteena oli löytää tekijöitä, jotka vaikuttavat positiivisesti julkaisun kattavuuteen ja sitoutuneisuuteen. Tavoitteena oli saada konkreettisia ohjeita, joita yritys voi ottaa osaksi markkinointisuunnitelmaa ja siten kehittää koko yrityksen liiketoimintaa.\n\nTutkimusmenetelmänä käytettiin tapaustutkimusta ja tutkimuksen aineistona olivat Bike Taxi Oy:n Facebook-päivitykset vuoden 2017 toimintakaudelta. Tarkempaan tarkasteluun valittiin toimintakaudella päivitykset, joiden kattavuus oli yli 8000 henkilöä. \n\nTutkimustuloksista selvisi, että arvonnat toimivat paremmin kuin perinteiset julkaisut ja kuvat toimivat paremmin kuin videot. Esille tuloksissa nousi myös hymyilyn merkitys, päivityksen jakojen vähäinen merkitys, sekä arvonnan palkinnon merkitys kattavuudelle. \n\nTutkimuksen tuloksia ei voida yleistää koskemaan muita Pk-yrityksiä, mutta lopputuloksena saatiin konkreettisia suosituksia Bike Taxi Oy:n yrittäjille, minkä pohjalta yrittäjät voivat tehdä uuden strategian ja markkinointisuunnitelman.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.007 | 0.002 |
| Scholarly communication | 0.011 | 0.007 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.216 | 0.062 |
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".