Bibliographic record
Abstract
Tämän opinnäytetyön tarkoituksena on verrata ihmisen ja tekoälyn tuottamaa luovaa tekstiä toisiinsa tapahtumakuvauksen muodossa. Tutkimuksen tavoitteena on selvittää, voiko tekoäly kirjoittaa tapahtumakuvauksia kuten ihminen. Tässä tutkimuksessa tekoälyä edustaa ChatGPT:n 4o-versio. Mikäli tekoälystä katsotaan olevan hyötyä tapahtumakuvausten teossa, voi se vapauttaa tapahtumatuottajien aikaa muihin työtehtäviin ja samalla säästää työnantajien resursseja. Opinnäytetyön tutkimus toteutetaan vertailevana tutkimuksena, jossa verrataan ihmisen ja tekoälyn tuottamia tapahtumakuvauksia. Ihmisen kirjoittama tapahtumakuvaus on kirjoitettu ennen tämän opinnäytetyön aloitusta, mutta tekoälyn eli ChatGPT:n versiota hiotaan vaiheittain tutkimuksen edetessä. Molempia lopputuloksia arvioidaan kymmenen arviointikriteerin perusteella. Tekoälyä käsittelevässä teoriaosuudessa käydään läpi tekoälyn toimintaa, sen historiaa ja sitä, kuinka tekoälyn erilaiset tasot asettuvat toisiinsa nähden. Teoria keskittyy erityisesti generatiiviseen tekoälyyn ja sen sovellusalueisiin. Koska tekoälyä edustaa tässä tutkimuksessa ChatGPT, käydään myös sen kehitysvaiheita läpi. Tekoälyyn liittyy olennaisesti myös sen juridiset ja eettiset kysymykset, joita tarkastellaan erityisesti Euroopan Unionin tekoälysäädöksestä löytyvän neliportaisen riskiluokituksen kautta. Viimeiseksi käydään läpi tekoälyä kohtaan esitettyä kritiikkiä. Tapahtumia käsittelevässä osuudessa esitellään, mitä termi tapahtumakuvaus tarkoittaa tässä opinnäytetyössä. Tekstissä tarkennetaan, mitä elementtejä tulisi hyvästä tapahtumakuvauksesta löytyä, mitkä ovat vapaaehtoisia ja mitkä seikat toimivat tapahtumaa sitouttavina tekijöinä. Suomen kielen muutoksia lähihistoriassa tarkastellaan erityisesti tapahtumaviestinnän näkökulmasta. Tapahtumakuvauksena käytetään Suomen Ekonomien vuonna 2023 järjestämää tapahtumaa nimeltä Ekonomiviisut, jossa esiintyivät artistit Käärijä ja KUUMAA. Opinnäytetyön lopuksi tarkastellaan tutkimustuloksia aiemmin lueteltujen arviointikriteerien perusteella. Tutkimustulokset pisteytetään ja lasketaan yhteen. Niin opinnäytetyön tekijä kuin tekoäly itse arvioi ihmisen kirjoittaman tekstin paremmaksi kuitenkin ymmärtäen molempien kirjoittajien heikkoudet ja vahvuudet. Tekoälyn todetaan olevan selkeästi nopeampi kirjoittamaan, mutta kohtaa haasteita esimerkiksi luovuuden saralla. Ihminen tapahtumakuvauksen kirjoittajana tuottaa selkeästi persoonallisempaa sisältöä täysin itsenäisesti. Tämän tutkimuksen tuloksena voidaan todeta, että ihminen voi hyödyntää tekoälyä tapahtumakuvaksen kirjoittamiseen, mutta tekoäly ei osaa sellaista täysin itsenäisesti tuottaa.
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 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.034 | 0.010 |
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".