Tutkimus kokoustapahtumiin osallistuvien rahankulutuksesta Porissa
Bibliographic record
Abstract
Tässä opinnäytetyössä tutkittiin Porin kokoustapahtumissa vierailevien rahankulutusta. Opinnäytetyön toimeksiantajana toimi Prizztech Oy:n koordinoima tapahtumaklusterihanke, Eventcoast. Tutkimuksen lähtökohtana toimi kiinnostus kokoustapahtumien taloudellisista vaikutuksista. \n \nTeoreettisessa viitekehyksessä käsitellään kokouksia niin matkailun kuin tapahtumateollisuuden näkökulmasta. Teoriaosuudessa käsitellään myös kuluttajan ostokäyttäytymistä ja ostoprosessia. Tutkimus sisältää piirteitä laadullisesta ja määrällisestä tutkimusotteesta. Aineistonkeruumenetelmänä käytettiin lomakehaastattelua. Haastattelut suoritettiin aikavälillä 7.3-24.3.2023 kolmessa eri seminaaritapahtumassa Porissa. Lisäksi haastattelujen aikana kerättiin tietoa haastateltavien rahankulutuksen motiiveista. \n \nHaastattelulomake tehtiin Microsoft Forms -ohjelmalla ja se sisälsi 13 kysymystä. Kysymykset liittyivät haastateltavan taustatietoihin, tapahtuman osallistumiseen ja tapahtuman ympärillä tapahtuvaan rahankulutukseen. Haastattelut pidettiin anonyymina ja vastaukset analysoitiin kokonaisuutena, jotta vastaajien anonymiteetti ylläpidetään. Haastattelut suoritettiin kokoustapahtumien aikana tauoilla tai heti tapahtuman jälkeen. Haastatteluja saatiin yhteensä 18. \n \nSuurin osa vastaajista kertoi osallistuvansa kokoustapahtumaan työn puolesta. Vastaajista yli puolet oli ulkopaikkakuntalaisia. Vastaajista 90 % käytti rahaa tapahtuman ympärillä ja vastaajista 10 % ei käyttänyt rahaa. Tapahtumiin osallistuvien keskimääräinen rahankulutus oli 158 euroa per henkilö. Kotipaikkakuntalaisten keskimääräinen kulutus oli 14,28 euroa per henkilö. Ulkopaikkakuntalaiset kuluttivat tapahtumien ympärillä keskimäärin 277,5 euroa per henkilö. Suurin kulutus kohdistui ravintolapalveluihin ja matkakuluihin. Rahaa kului tapahtumien ympärillä myös aktiviteetteihin ja ostoksiin.
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 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.276 | 0.119 |
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".