Suomenlinnan onnistuminen matkailukohteena asiakaspalautteen perusteella vuonna 2018
Bibliographic record
Abstract
Helsingin edustalla sijaitseva Suomenlinnan merilinnoitus on yksi Suomen suosituimmista matkailukohteista, jossa käy vuosittain yli miljoona kävijää. Tämän maailmanperintökohteen ylläpitämisestä, restauroinnista, hallinnoinnista ja esittelemisestä vastaa Suomenlinnan hoitokunta, joka mittaa asiakastyytyväisyyttä keräämällä kävijöiltä asiakaspalautetta. Laajimpia palautteenkeruita toteutetaan neljän vuoden välein ja niitä kutsutaan kävijätutkimuksiksi, joista viimeisin toteutettiin kalenterivuoden 2018 aikana ja analysoitiin seuraavan vuoden alussa. Opinnäytetyön aihe jatkaa vuoden 2018 kävijätutkimuksen jalanjäljissä: tutkimuksen tavoite on kartoittaa Suomenlinnan kävijöiden tyytyväisyyttä matkakohteeseen ja sen palveluihin. Tarkasteluvuosi on myös opinnäytetyössä 2018, mutta – kävijätutkimuksesta poiketen – toimeksiantajalle tuotetaan analysoitua tietoa asiakastyytyväisyydestä vertailemalla eri asiakaspalautekanavien palautteita. Opinnäytetyössä tarkasteltavat asiakaspalautekanavat ovat matkailusivusto TripAdvisor, Surveypalin asiakastyytyväisyyskysely sekä Suomenlinnan vuoden 2018 kävijätutkimus. Tutkimus toteutettiin kvalitatiivisena tutkimuksena, jossa tulkinta oli aineistolähtöinen. Palautteita oli kertynyt yhteensä 2 859 kappaletta ja työkaluna käytettiin Microsoft Excel-ohjelmistoa. Palautteen laatu ja painopisteet vaihtelivat suuresti riippuen siitä, oliko palautteet saatu vai kerätty: TripAdvisorin kautta palaute tulee vapaassa muodossa lomamatkan jälkeen ja on kaikkien nähtävillä; Surveypalin kautta palautetta kerätään passiivisesti matkailuneuvonnassa hoitokunnan omaan käyttöön; ja kävijätutkimukseen kerättiin aktiivisesti vastauksia vapaaehtoisilta. Koska edellä mainituissa asiakaspalautekanavissa palautteenannon lähtökohdat ja kysymyksenasettelut ovat erilaiset, myös vastauksissa painottuvat erilaiset asiat. Näin ollen asiakaspalautekanavien vertailu on tärkeää, jotta on mahdollista hahmottaa kokonaiskuva kävijöiden mielipiteistä paremmin ja sitä kautta kehittää maailmanperintökohdetta entistä parempaan suuntaan. Suomenlinna koetaan mielekkääksi matkakohteeksi asiakaspalautekanavasta riippumatta. Lauttamatka on monelle yksi päivän kohokohdista, linnoituksen maisemat ja luonto lumoavat sekä maailmanperintökohteen restaurointi ja kunnossapito saavat kiitosta. Kävijöitä harmitti eniten museoiden, ravintoloiden ja kahviloiden aukioloajat sekä historian tiedon vähäisyys maastossa. Tulosten perusteella Suomenlinnan hoitokunnalle on koottu kehitysehdotuksiksi palveluiden aukiolojen pidentäminen iltaisin ja talvikaudella, historian esillepanon sekä viestinnän lisääminen – etenkin palveluiden saralla.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.107 | 0.027 |
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".