Maakuvatyö sosiaalisessa mediassa: Case Suomen Budapestin-suurlähetystö
Bibliographic record
Abstract
Tämä opinnäytetyö tehtiin toimeksiantona ulkoministeriön viestintäosastolle. Kehittämistyön tavoitteena oli selvittää, miten Suomen Budapestin-suurlähetystö vahvistaa Suomen maakuvaa sosiaalisessa mediassa. Maakuvatyöllä tarkoitetaan ulkoministeriön maakuvatyön käsikirjan määritelmän mukaan vaikuttamis-, viestintä- ja markkinointityötä, jolla vaikutetaan kohderyhmien tietoon, mielipiteeseen ja lopulta päätöksiin, muun muassa oman ja ansaitun median, tapahtumien ja tapaamisten kautta. \n \nTyö on tutkimusotteeltaan laadullinen tutkimus, jossa tarkastellaan edustuston sosiaalisen median päivityksiä kahden kuukauden ajan joulukuusta 2019 tammikuuhun 2020. Kerättyä aineistoa lähestytään sisältöanalyysin sekä luokittelun avulla. Työn teoreettinen viitekehys käsittelee brändiä, sosiaalista mediaa ja viestintää organisaation näkökulmasta. \n \nFacebook on edustuston pääasiallinen sosiaalisen median kanava. Siellä julkaistaan aktiivisesti, Twitterissä harvemmin. Sisältö on varsin maakuvallista. Päivitysten teemoista esiin nousivat tulevaisuuden taidot ja hyvä hallinto. Kielivalinnat – suomi ja unkari – palvelevat niin Unkarissa asuvia suomalaisia kuin unkarilaisia.
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 | 0.003 |
| 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 | 0.003 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.013 | 0.002 |
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".