Urbaanin hiljaisuuden estetiikka: Helsingin kaupungin hiljaisten paikkojen äänimaisemien tarkastelua
Bibliographic record
Abstract
Tarkastelen tutkielmassani kolmen Helsingin kaupungin My Helsinki -verkkosivustolla esitellyn hiljaisen paikan äänimaisemia. Päätutkimuskysymykseni on: millaisia hiljaisuuden kokemukset ovat Helsingin kaupungin hiljaisissa paikoissa? Aineistoni koostuu Kampin kappelissa, Suomen kansalliskirjastossa ja Seurasaaressa tekemistäni äänimaisemahavainnoista, jotka olen kerännyt kirjallisiksi havaintomuistiinpanoiksi. Lähestymistapani on fenomenologinen: pyrin lähestymään hiljaisuutta kokemustasolla, omia hiljaisuuden kokemuksiani analysoiden. Analyysimenetelmänäni toimii Schaferin (1994) luokittelumallin pohjalta kehittämäni neliosainen jaottelu, jossa havaitut äänet erotellaan niiden äänilähteiden perusteella. Lisäksi hyödynnän aineiston analyysissä Schaferin (1994) äänten jaottelua perusääniin, signaaleihin ja äänimaamerkkeihin. Äänimaiseman analyysin lisäksi tuon esiin Granön (1930) havainnointiin löyhästi nojaten myös hiljaisuuden kokemuksien mahdollisen moniaistisuuden. Tutkielmani tulokset osoittavat, että hiljaisuuden kokemukset eroavat toisistaan kaikissa kolmessa paikassa. Kampin kappelin äänimaisema koostuu yksinomaan tilassa olevien ihmisten äänistä ja raitiovaunun äänestä. Kansalliskirjaston äänimaisema koostuu samoin ihmisten ja tekniikan äänistä. Seurasaaressa kuullaan näiden lisäksi myös luonnon ääniä. Yhteistä kaikille äänimaisemille on se, että ne ovat vahvasti ihmisen muokkaamia.
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 | 0.003 |
| Open science | 0.000 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.032 | 0.007 |
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".