Suurtapahtumien yhteistyökumppanuuksien rakentaminen julkisten toimijoiden kanssa : Case Gymnaestrada 2015 Helsinki
Bibliographic record
Abstract
Opinnäytetyöni on yhteistyömalli suurtapahtumien järjestäjille. Malli perustuu yhteistyön luomiseen julkisen toimijan kuten kaupungin tai ministeriön kanssa. Tutkimuksessani pyritään selvittämään millä tavoilla pystytään julkisen toimijan kanssa solmimaan paras mahdollinen yhteistyö, joka hyödyttää sekä tapahtuma järjestäjää, että julkista toimijaa. \n \nYhteistyömalli pohjautuu Suomen voimisteluliiton, Helsingin kaupungin sekä opetus- ja kulttuuriministe-riön yhteistyöhön Gymnaestrada 2015 Helsinki -tapahtumassa. Tapahtuma on kansainvälinen harras-tevoimistelun tapahtuma, joka järjestetään usealla tapahtumapaikalla ympäri Helsinkiä. Tapahtuman-järjestäjät ovat pyrkineet luomaan ”uudenlaisen kumppanuudenmallia” yhteistyökumppaneidensa kanssa koko tapahtuman rakentumisen ajan. \n \nTutkimukseni perustuu asiantuntija haastatteluille sekä omille havainnoilleni kolmen (3) kuukauden työskentelyjaksolla Suomen voimisteluliiton Gymnaestrada järjestelytoimikunnan toimistolla. Lisäksi tietopohjani perustana toimivat muun muassa Helsingin kaupungin ja opetus- ja kulttuuriministeriön erilaiset päätökset ja selvitykset suurtapahtumien järjestämisestä. \n \nOpinnäytetyöni opastaa tapahtumatuottajaa julkisen toimijan kanssa yhteistyön solmimisessa. Kehittä-essä hyvää yhteistyötä julkisten toimijoiden kanssa, pystytään paremmin näyttämään heidän tarpeelli-suutensa tapahtumien kentällä ja näyttämään tapahtumien tärkeys myös julkisten toimijoiden kannalta. Tutkimukseni tuo esille tärkeitä pointteja ja nostoja, joilla yhteistyöstä saadaan hyödyllinen kummankin osapuolen kannalta.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.012 | 0.004 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.004 | 0.005 |
| Insufficient payload (model declined to judge) | 0.033 | 0.002 |
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".