Kalevalan hyödyntäminen Suomen matkailussa
Bibliographic record
Abstract
Kalevala on Suomen kansalliseepos, jonka Elias Lönnrot on koonnut. Se on Suomen käännetyin kirjallinen teos, joka on käännetty yli 60 eri kielelle. Tässä opinnäytetyössä selvitettiin miten Kalevalaa voisi hyödyntää Suomen matkailussa nykyistä enemmän. Lisäksi tutkittiin millä tavoin Kalevalaa on järkevää tuoda esiin matkailuteollisuudessa ja kerrotaan esimerkkejä siitä, miten Kalevalaa tänä päivänä hyödynnetään. Opinnäytetyö tehtiin toimeksiantona HAAGA-HELIA-ammattikorkeakoulun Culture and Heritage -teemaryhmälle. Suomen kulttuurimatkailua pyritään jatkuvasti laajentamaan. Kansalliseepoksemme nykyistä monipuolisempi käyttö matkailualalla saattaisi vahvistaa Suomen kulttuurin asemaa myös kansainvälisellä tasolla. Kuitenkin kulttuurin ja varsinkin kansanperinteen tuotteistaminen on haasteellista. Kalevalan käyttöoikeudet eivät enää kuulu kenellekkään, joten teoksen hyödyntäminen on vapaata kaikille ja sitä on osattava käyttää oikeaoppisesti. Tutkimusta varten haastateltiin viittä asiantuntijaa, joista kaksi toimii Kalevala-kulttuurin parissa, yksi kulttuurimatkailun kehittämisen parissa ja kaksi käyttää hyväksi Kalevalaa liiketoiminnassaan. Kyseiset haastattelut suoritettiin syksyn 2011 aikana. Tulosten perusteella Kalevalan käyttöä saisi mielellään käyttää kulttuurimatkailussa nykyistä enemmän. Kalevalaa pitäisi käyttää arvostavalla ja kestävän kehityksen periaatteiden mukaisella otteella. Käytettäessä Kalevalaa liiketoiminnassa, siihen tulee etukäteen perehtyä kunnolla. Kalevala on merkittävä ja monipuolinen teos, joka tarjoaa runsaasti raaka-aineita elämysten tuottamiseen. Nykypäivän matkailijat kaipaavat elämyksiä kaikille aisteille ja he haluavat matkoillaan oppia uutta. Kalevalan esiintuomisessa kannattaa hyödyntää nykyajan monipuolista tietotekniikkaa mutta myös perinteikkyyttä. Kalevalaa pitäisi tuoda esille perinteisin keinoin, mutta myös yllättävillä, uusilla keinoilla.
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 | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.052 | 0.019 |
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".