Kalastaja matkailuyrityksen asiakkaana
Bibliographic record
Abstract
Opinnäytetyön tavoitteena oli hankkia ymmärrystä kalastajista matkailuyritysten asiakkaina, jotta palveluita voitaisiin kehittää vastaamaan paremmin asiakkaiden tarpeisiin. Tutkimuksella selvitettiin, mitä kalastusmatkailijat toivovat ja odottavat matkailuyritysten palveluilta kalastusmatkoillaan ja kuinka paljon he olisivat valmiita käyttämään rahaa niihin. Tärkeää oli myös selvittää, mitä palveluita kalastusmatkailijat yleensäkin käyttävät ja mikä heille tuo arvoa kalastusmatkoilla. \n \nTutkimusmenetelmänä oli kvantitatiivinen tutkimus kvalitatiivisin piirtein. Aineistonkeruu toteutettiin tekemällä syksyllä 2024 kyselytutkimus kalastusmatkailijoille. Kyselyssä oli myös avoimia kysymyksiä, joilla pyrittiin saamaan tarkempaa tietoa vastaajien mielipiteistä ja kokemuksista sekä asioista, joista ei ollut kysytty, mutta jotka voivat olla merkityksellisiä palveluiden kehittämisen kannalta. \n \nTutkimustulokset osoittivat, että kalastusmatkailijoita kiinnostavat lähinnä vain majoitus-, ravintola- ja kalastusopaspalvelut. Matkakohdetta valittaessa tärkeimmät tekijät ovat tavoitekalalajit, saalisvarmuus, luonto ja maisemat, aiemmat kokemukset sekä muiden suositukset ja arviot. Majoitusta valittaessa merkitsevät sauna, hinta, veneenlasku- ja rantautumispaikat, joustavat sisään- ja uloskirjautumisajat sekä ruoanvalmistustilat ja -välineet. Osa on valmis myös maksamaan kohtuullisesti saunomisesta, veneenlaskupaikasta sekä aamiaisesta. Kehittämistarpeiksi vastaajat nimesivät informaation lisäämisen etenkin veneenlaskupaikoista ja palveluiden sisällöistä. \n \nSaatujen tulosten perusteella kalastajien käyttämiä palveluita tulisi kehittää kalastamista tukeviksi. Markkinoinnin ja viestinnän tulisi olla informatiivisempaa. Toimeksiantohankkeen toteuttajat, Xamk ja Kalastajan Kanava, hyödyntävät tutkimustuloksia suunnitellessaan materiaalia matkailuyrittäjille suunnattuihin koulutuksiin. Tuloksia voivat hyödyntää myös matkailuyritykset ja kalastusmatkailun kehittäjätahot.
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 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.009 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.188 | 0.083 |
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".