Joukkoistamisen merkitys kulttuuritapahtuman tuotteistamisessa : Luovuutta Valtakunnalliseen Majanrakennuskilpailuun
Bibliographic record
Abstract
Tämän opinnäytetyön tavoitteena on kehittää ja tuotteistaa joukkoistamalla lasten Valtakunnallinen Majanrakennuskilpailu monipuolisemmaksi tapahtumakokonaisuudeksi. Valtakunnallinen Majanrakennuskilpailu on osittain internetissä järjestettävä lasten kulttuuritapahtuma, jonka toivotaan olevan kaikkien suomalaisten lasten saavutettavissa. Opinnäytetyön tavoitteena on myös kehittää kulttuurituottajan kykyä arvioida joukkoistamisen kannattavuutta kulttuuritapahtuman sisällöntuotannossa. \n \nTyön tilaajana toimii Suomen Nuorisoseurat ry. Valtakunnallinen Majanrakennuskilpailu on järjestetty kolme kertaa osana Lapset äänessä -hanketta, jota hallinnoi Suomen Nuorisoseurat ry. Tapahtuma halutaan tuotteistaa tapahtumakokonaisuudeksi, joka pystytään luovuttamaan uudelle järjestävälle organisaatiolle hankkeen päätyttyä. \n \nKehittämistyössä käytettiin menetelminä joukkoistamista, benchmarkingia ja kyselyä. Kehittämistyöhön osallistui lasten ja nuorten harrastusryhmiä, joita joukkoistettiin ohjaajien johdolla. Joukkoistamisessa käytettiin yhteistoiminnallisina kehittämismenetelminä 8x8-menetelmää ja aivoriihtä. Valtakunnallisen Majanrakennuskilpailun tapauksessa lasten joukkoistamisessa tuli huomioida myös eettiset ja pedagogiset näkökulmat. Joukkoistamisen tulosten pohjalta syntyi päivitetty materiaalipaketti Valtakunnalliselle Majanrakennuskilpailulle, joka sisältää tuotantoprosessin ja työvaiheiden kuvaukset. \n \nKehittämishankkeen aikana ilmeni, että joukkoistaminen nähdään kulttuurialalla mahdollisuutena, jota ei ole paljoa hyödynnetty. Kysely osoitti, että kulttuurituottajat eivät luota täysin omaan osaamiseensa joukkoistamisen ohjaajina. He uskovat, että joukkoistamisen avulla on mahdollisuus hyödyntää sellaista asiantuntijuutta, jota ei tuotantotiimistä löydy. Tuloksista ilmeni, että kulttuurituottajat pitävät joukkoistamiseen käytettyä aikaa pidettiin helposti liian suurena riskinä sisällöllisen hyödyn suhteen. Joukkoistamisen haasteet ja mahdollisuus kulttuurituotannossa koottiin keinulautamalliksi.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.002 |
| Scholarly communication | 0.014 | 0.007 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.120 | 0.053 |
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".