Bibliographic record
Abstract
Tämän opinnäytetyön tilaajana toimi Suomen Videovaikuttajat ry. Tavoitteena oli tutkia, miten YouTube-kanavasta luodaan brändi ja millainen prosessi se on. Työssä sivuttiin myös sitä, minkälaisia kokemuksia sisällöntuottajilla on YouTubesta alustana. Teososassa oli editoitu videokooste kolmen YouTubessa toimivan sisällöntuottajan haastatteluista brändin rakennuksesta. Suomen Videovaikuttajat ry sai julkaista tämän omalla YouTube-kanavallaan opetusmateriaaliksi sekä jakaa opinnäytetyöni jäsenilleen. Tutkimuskysymyksinä minulla oli: 1. Miten YouTube-kanavasta luodaan brändi? 2. Millainen alusta YouTube on sisällöntuottajien itse kertomana? ja 3. Millaista on brändin luominen omasta kanavasta? \nTekstiosiossa syvennyttiin teoriaan aiheen taustalla. Teoreettisessa viitekehyksessä käytiin lävitse aiheeseen liittyviä termejä sekä käsitteitä. Tutkimusjoukkona toimivat yhdistykseen kuuluvat YouTubessa toimivat sisällöntuottajat. Aineisto kerättiin Google Forms -pohjaisella osittain strukturoidulla lomakekyselyllä, johon osallistui 21 vastaajaa. Kyseisessä opinnäytetyössä käytettiin pääasiassa laadullista tutkimusta, mutta sivuttiin myös määrällistä tutkimusta. Laadullisessa osiossa käytettiin tutkimusmenetelmänä aineistolähteistä sisällönanalyysiä. Määrällisessä osiossa oli tutkimusmenetelmänä kausaalisuhde. \nTuloksissa kävi ilmi, että moni on lähtenyt tekemään sisältöä tekemisen ilosta ja on vasta myöhemmin perehtynyt brändin rakentamiseen. YouTuben sisällöntuotto pitää sisällään paljon erilaisia osa-alueita, joten siksi tämä aihe saattaa jäädä huomiotta. Brändäys itsessään on muuten hyvin perinteistä mielikuvien luomista. Jotkut toki olettivat brändäyksen painottuvan enemmän pelkästään graafisen puolen suunnitteluun. Mitä tulee YouTubeen alustana sisällöntuottajien näkökulmasta, niin sitä pidettiin lähtökohtaisesti kannustavana ja vakaana.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.001 |
| Scholarly communication | 0.010 | 0.007 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.357 | 0.240 |
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".