Suurkuvatulosteet esitystekniikassa
Bibliographic record
Abstract
Tämä opinnäytetyö käsittelee esitystekniseen käyttöön tulevien suurkuvatulosteiden valmistusta, viimeistelyjä, esitysteknistä käyttöä työn case-osiolla sekä näihin liittyviä hankintakanavia. Opinnäytetyön toimeksiantajana oli Suomen Kansallisooppera ja -baletti sr. Työn tarkoituksena on saada esitystekniselle alalle tietopaketti suurkuvatulosteista ja syventää tekijän käsitystä niiden valmistamisen liittyvistä tekniikoista. \n \nEsitysteknisellä käytöllä tarkoitetaan käyttöä mm. seuraavissa kohteissa: \n·Draama-, musiikki- ja tanssiteatterit, teatteritalot, monitoimihallit, konserttisalit, ulkoilmateatterit, sekä esiintymisalueet kouluissa, laivoissa ja yökerhoissa \n·Elokuva- ja TV-studiot sekä kuvauslokaatiot \n·Tapahtumat: ulkoilmakonsertit, messut ja liiketoimintaesitykset \n \nTyön teoriaosuudessa on käsitelty muun muassa digitaalisen suurkuvatulostuksen laitteita ja menetelmiä sekä värinhallintaa, aineisto-ohjeita visualisoijille, lähdeaineiston tekijänoikeuskysymyksiä, palosuojausta ja siihen liittyviä tekijöitä. \n \nCase-osio käsittelee toteutuneiden suurkuvatulosteiden kautta niiden eri tyyppejä ja niihin liittyviä lavasteratkaisuja sekä suurkuvatulosteiden viimeistelyitä esitystekniseen käyttöön sopivaksi. Case-yrityksenä toimii pääasiassa Suomen Kansallisooppera ja -baletti sr. mutta case-esimerkkejä on muiltakin alalla toimijoilta ja suurkuvia tuottavilta yrityksiltä tai heidän asiakkailtaan. \n \nHankintakanavaosiossa on käsitelty suurkuva-alan ja siihen esitysteknisesti liittyvien viimeistelymateriaalien merkittävimmät toimittajat tällä hetkellä sekä tuotteiden hinnoittelua. \n \nOpinnäytetyössä toteutuu toimeksiantajan tilaus saada tietopaketti suurkuvatulosteista esitysteknisellä alalla toimiville, eli opinnäytetyötä ja sen lähteitä voidaan käyttää apuna, kun suunnitellaan ja toteutetaan suurkuvatulosteita erilaisiin esitystiloihin.
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 | 0.004 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.010 | 0.006 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.130 | 0.052 |
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".