Klassikoiden paluu : Nostalgia markkinoinnin työkaluna
Bibliographic record
Abstract
Opinnäytetyön tavoitteena on selvittää nostalgian vaikutusta markkinoinnin työkaluna. Opinnäytetyö toteutettiin ymmärrystä lisäävänä tutkimuksena, jossa ilmiötä tutkittiin tieteellisistä lähteistä sekä havainnoiden ja haastatellen. Aihe valikoitui tutkijan oman kiinnostuksen pohjalta, siitä kuinka nostalgia vaikuttaa kuluttajakäyttäytymiseen parhaimmillaan. Aineistona tutkimuksessa käytetyt tieteelliset lähteet ovat niin verkko- kuin kirja- lähteitä. Metodologiassa on käytetty myös kuva-, havainnointi-, kuin sosiaalisen median lähteitä. Aineistot täydentävät toisiaan ja auttavat ymmärtämään tutkittavaa ilmiötä. Tutkimuksessa tulee ilmi keskeisimpänä tuloksena se, että nostalgia vaikuttaa kuluttajien ostopäätöksiin elämystaloudessa merkittävästi, jos nostalgiaa on käytetty markkinoinnissa oikein ja harkiten. Tutkimuksessa tulee myös ilmi se, että kuluttajat arvostavat elämystapahtumissa sitä, että ne tuovat lisäarvoa heille. Käyttötavaran osalta nostalgia ei ole avainasemassa markkinoinnissa vaan, että se olisi käytännöllistä käytettävyydeltään kuluttajien arjessa. Tutkimuksen jatkokehitysideoita ovat toimeksiantajan hankkiminen sekä suuremman otannan tutkiminen. Tutkimista voisi myös toteuttaa monimenetelmällisesti ja hankkia kvalitatiivista tutkimusdataa, joka tukisi teemahaastattelun havainnoin- tia tilastollisella aineistolla.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.003 |
| Scholarly communication | 0.011 | 0.005 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.079 | 0.029 |
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".