Uutislivekonsepti Suomen mediakentässä
Bibliographic record
Abstract
Opinnäytetyö käsittelee ympärivuorokautista uutislivekonseptia, joka on tuore ilmiö suomalaisessa mediakentässä. Helmikuussa 2019 lanseerattu MTV Uutiset Live on uutislivenä maassamme ensimmäinen laatuaan. Tarkoitukseni on selvittää, miten realistista on toteuttaa ympärivuorokautista journalismia Suomen kokoisessa maassa. Oleellista on tutkia myös sitä, miksi uutislivejä ei ole Suomessa enempää. Opinnäytetyö esittelee sekä MTV:n että kilpailevien medioiden näkökulmia asiaan. \n \nTutkimuksessa tulee esille, että motiivit uutisliven lanseeraamiseen sekä muun stream-pohjaisen sisällön tehostamiseen kytkeytyvät vahvasti käsillä olevaan median murrostilaan, johon liittyy muun muassa mobiilikulutuksen määrän kasvu. Tämä vaikuttaa oleellisesti siihen, että konsepti on olemassa. Lisäksi se näkyy oleellisesti uutisliven toimintaperiaatteissa ja sisällöissä. \n \nOpinnäytetyössä tarkastellaan MTV Uutiset Liven lanseerauksen onnistumista ja toiminnan sujuvuutta uutisliven ensimmäisen toimintavuoden aikana. Palvelun toimintaa taustoitetaan esittelemällä ensin konseptin globaalia historiaa ja ympärivuorokautiseen journalismiin liittyviä lainalaisuuksia. Lisäksi opinnäytetyössä syvennytään yhtiön omiin tavoitteisiin uutisliven suhteen.
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 | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.006 | 0.002 |
| Scholarly communication | 0.016 | 0.008 |
| Open science | 0.001 | 0.008 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.158 | 0.071 |
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".