• Digital Humanities and Cultural Heritage
• Other research productsclose
• Open Access close
• FI close
• LUTPub close
• Digital Humanities and Cultural Heritage close

Such techniques of Natural Language Processing as information extraction and semantic text labelling had been widely utilised in recruitment sphere to decrease the labour and time resources needed to analyse CVs or labour market’s trends. However, the application of such techniques and establishing link between demand for the workforce and education providing organizations is yet to be established. In the current thesis the ideas on processing educational courses descriptions texts is provided in attempt to facilitate the information exchange between the needs of the labour market and skills supply from the educational establishments. In the literature review the analysis of the most recent methods in natural language processing methods is provided (Word2Vec, NER, Sentence Transformers) as well as commentary on their current implementations in labour market related spheres. In the empirical section state-of-the-art SBERT language model is applied to the collected open university courses’ descriptions in order to extract concrete skills from the and then the performance of the SBERT model is accessed through such metrics as precision, recall and f-score, yielding the F-score of 70.4%. As a result, an example of comparison between the skills supplies as identified by Finnish open universities educational courses and demand as identified by the job descriptions data is provided. In conclusion, research paper’s possible managerial applications and theoretical contribution are included.

In this work, the utilization of financial news alongside machine learning for predicting stock market movements is examined. The news are handled with various natural language processing methods for finding correlation between the derived attributes and stock market movements. The novelty of this work lies in the application of BNS and LDA methods as well as 2-word combinations alongside with LSTM neural network. The main point of the work is to examine the usefulness of the results achieved with the formerly mentioned methods and neural networks as well as comparing the results with market efficiency. In the research it was concluded that the models containing 2-word combinations derived with the BNS-method, produced differing results to those models, where the 2-word combinations were not used. However, the overall results followed random patterns and thus reliable results were not achieved. For achieving more reliable results, better approach could be predicting intraday stock market movements per Efficient Market hypothesis. Used datasets were possibly also too concise for the complexity of the problem. Tässä työssä tarkastellaan talousuutisten hyödyntämistä yhdessä koneoppimisen kanssa osakemarkkinoiden ennustamiseen. Uutisia käsitellään tietyillä luonnollisen kielen käsittelyn menetelmillä ja niistä pyritään löytämään korrelaatiota osakkeen liikkeiden kanssa. Työn uutuusarvona ovat BNS- ja LDA-menetelmien, sekä 2 sanan kombinaatioiden käyttö LSTM-neuroverkon yhteydessä. Työn pääasiallisena tavoitteena on tarkastella edellä mainittujen menetelmien ja neuroverkkojen yhdessä tuottamien tulosten hyödyllisyyttä ja niiden vertautumista markkinoiden tehokkuuteen. Tutkimuksessa selvisi, että mallit, jotka sisältävät BNS-menetelmällä johdettuja 2 sanan kombinaatioita, tuottavat poikkeavia tuloksia niihin malleihin verrattuna, joissa niitä ei käytetä. Tulokset kuitenkin noudattivat kaiken kaikkiaan satunnaista vaihtelua ja luotettavia tuloksia ei täten saatu. Tulosten parantamiseksi, parempi lähtökohta voisi olla päivän sisäisten vaihtelujen ennustaminen, markkinoiden tehokkuuden hypoteesin mukaisesti. Käytetyt tietoaineistot olivat myös mahdollisesti liian suppeat kompleksisuudeltaan vaativalle ongelmalle.

Tämän kandidaatintyön tarkoituksena on perehtyä ydinaseiden kehitykseen ja ydinasevaltioihin. Ydinaseiden keksimiseen johtavat ensimmäiset fysiikan havainnot tehtiin 1900-luvun alussa. Tämä huipentui fission keksimiseen ennen toista maailmansotaa. Fission, sekä samoihin aikoihin löydetyn plutoniumin avulla ydinaseista tuli mahdollisia. Ydinaseisiin tarvittava korkearikasteinen uraani tuotetaan luonnonuraanista nykyään yleensä kaasusentrifugeilla ja plutonium tavallisilla ydinreaktoreilla. Ydinpommeja on kahta eri tyyppiä: fissio- ja vetypommit. Fissiopommeja on puolestaan kahta erilaista: tykkityyppinen ja imploosiotyyppinen ase. Tykkityyppisessä voidaan käyttää vain korkearikasteista uraania, mutta imploosiotyyppisessä voidaan käyttää myös plutoniumia. Vetypommissa hyödynnetään fission lisäksi myös fuusiota. Ydinasevaltioita on tällä hetkellä yhdeksän, joista neljä tuottaa edelleen fissiiliä materiaalia asekäyttöön. Yksi suurimmista ydinaseiden vähentymiseen johtavista tekijöistä oli kansainvälinen ydinsulkusopimus, jolla myös estetään uusien ydinasevaltioiden synty. Tällä hetkellä ydinaseita on vain kaksi kertaa käytetty sodassa ja onkin todennäköistä, että niiden olemassaolon takia ei ole ollut maailmanlaajuista sotaa. Koska ydinaseiden poisto vaatisi myös fissiilien materiaalien asetuoton lopettamista ja laajaa, sekä avointa kansainvälistä yhteistyötä, on todennäköistä, että sitä ei tapahdu lähivuosina tai edes -vuosikymmeninä.

Fake news is not a novel concept but the scale of its spread and the damage it has and continues to cause is alarming. From the US presidential elections in 2016 to the COVID-19 pandemic and today, fake news has been circulating in news media corrupting the public opinion. Fake news alters democratic discussions polarizing people’s opinions sowing distrust in national institutions and setting different groups against each other. It is a threat to democracy and national security. It is crucial to prevent fake news from spreading and one solution is to create an automatic fake news detection system. A solution is researched using natural language processing (NLP) tasks, namely text classification. NLP is a type of artificial intelligence that is essentially taught to understand human language. Using thematic analysis, the main steps and techniques of fake news detection models are described and through a comparative analysis the state-of-the-art models are distinguished. And while there are many potential fake news detection models for English there is not much variety for other languages. So, it is additionally analysed if these benchmark models can be implemented for Finnish language as well. Valeuutiset eivät ole uusi käsite, mutta niiden leviämisen laajuus ja niiden aiheuttamat vahingot ovat huolestuttavia. Yhdysvaltain presidentinvaaleista vuonna 2016 COVID-19-pandemiaan ja nykypäivään asti, uutismediassa on kiertänyt valeuutisia, jotka muokkaavat yleisön mielipidettä. Valeuutiset muuttavat demokraattista keskustelua polarisoimalla ihmisten mielipiteitä kylväen epäluottamusta kansallisiin instituutioihin ja asettaen erilaisia ryhmiä toisiaan vastaan. Se on uhka demokratialle ja kansalliselle turvallisuudelle. On tärkeää estää valeuutisten leviäminen, ja yksi ratkaisu on luoda automaattinen valeuutisten havaitsemisjärjestelmä. Ratkaisua tutkitaan käyttämällä luonnollisen kielen käsittelyn (NLP) tehtäviä, etenkin tekstin luokittelua. NLP on tekoälyn tyyppi, missä tietokone opetetaan ymmärtämään ihmisten kieltä. Temaattisen analyysin avulla kuvataan valeuutisten havaitsemismallien päävaiheet sekä tekniikat, ja vertailevan analyysin avulla valikoidaan uusimmat ja onnistuneimmat mallit. Ja vaikka englannin kielellä on monia mahdollisia valeuutisten havaitsemismalleja, muille kielille ei ole paljon valikoimaa. Lisäksi analysoidaan, voidaanko nämä mallit toteuttaa myös suomen kielelle.

In today’s knowledge-based economies, it is generally accepted that innovations are integral to the foundation of both regional and national economic development, as well as one of the main causes for social and technical transitions. In an effort to boost and benchmark innovation, metrics and indicators have been designed to measure its various stages of development in order to gain insight into what is driving results. In an effort to make such measurements, a systems approach had been adopted in order to capture the dynamic and complex nature of innovation. However, an ecosystem approach has recently begun to attract attention as a framework for studying innovation. The term “innovation ecosystem” is often employed to explain a large and diverse set of participants and resources essential to the success of any innovation. Literature on innovation ecosystems emphasizes both the importance of a network of linkages between multiple actors and taking a holistic approach to include all players in the ecosystem. This is done to provide synergy, which has an effect on the overall outcome. This dissertation advances the existing research on innovation ecosystems by incorporating the soft aspects of innovation and studying social network services (SNSs) as a complementarity within said ecosystem. SNS platforms (e.g. Twitter, Facebook) provide opportunities for mass communication and interaction, both of which mediate societal discussion. These platforms create a unique opportunity to inform a holistic approach to innovation. The purpose of this thesis is to discuss the importance of SNSs in innovation ecosystems and attempt to operationalize the valuable data within SNSs for a deeper understanding of innovation. First, this thesis introduces the measurement and evaluation practices used, with particular effort made to highlight how the term “ecosystem” first emerged and then became associated with studies on innovation. To that end, an in-depth analysis of the innovation ecosystem research and citation network was conducted to assess the growing body of literature on this topic. Secondly, this study utilizes SNS data at both the microand the meso-level, meaning the company-, community-, and national-level, and provides novel insights. To do so, advanced textual analyses were performed and machine learning models were employed to explore the content of SNSs. These analysis resulted in several interesting findings regarding the role of content producer and content quality in the overall interaction within SNSs. This attempt to leverage SNSs for data was then furthered to include the design of a metric used to evaluate and establish benchmarks for counties based on entrepreneurial-oriented activity. For a more exploratory approach, SNSs data was analyzed to ascertain whether patterns existed within discussion topics and in proximity over time. Finally, the theoretical impact and methodological contributions to the literature on innovation ecosystems is included to show a novel approach to the use of SNS data. The findings should help scientists and practitioners to engage with SNSs in a more confident manner when an ecosystem-oriented approach is taken to evaluate innovation.

Tässä kandidaatintyössä tarkastellaan gadget-termin alkuperää ja määritelmää. Gadget voidaan määritellä esimerkiksi siten, että se on uusi mekaaninen tai elektroninen laite jolla on jokin käytännöllinen hyöty, mutta on valtavirran mielestä melko turha. Tässä työssä selvitetään lähdekirjallisuuden avulla pitääkö kyseinen määritelmä paikkaansa. Lisäksi työssä käydään läpi historiassa esiintyviä gadgetteja vuosikymmenittäin aina 1900-luvulta 2010-luvulle asti. Lopuksi tarkastellaan gadgettien kohderyhmää asiasta tehtyjen tutkimusten avulla ja selvitetään onko gadgettien omistajuuteen liitettävissä joitain yleisiä piirteitä. This Bachelor’s Thesis examines the origins and definition of the term gadget. A gadget can be defined as a new mechanic or electronic device that has some practical use but is still considered as a novelty by the mainstream consumers. This thesis considers the validity of such a definition with the use of source literature. In addition, thesis covers the history of gadgets from the 1900s to 21st century by picking example gadgets from each decade. Finally, this thesis covers the topic of target audience for gadgets by considering previous research done to the subject.

Tässä kandidaatintyössä luodaan kattava katsaus erilaisiin PC-laiteissa toimiviin usean näytön käyttöönottomenetelmiin, joita on olemassa useita ominaisuuksiltaan ja käyttötarkoituksiltaan erilaisia. Työssä perehdytään Windowsin usean näytön tuen historiaan ja sen kehitykseen eri Windows versioiden välillä tuen alkuajoista 1990-luvulta nykyaikaan aina viimeisimpiin Windows käyttöjärjestelmiin asti. Lopuksi tarkastellaan vielä pelien usean näytön tukea ja kuinka hyödyntää useaa näyttöä sellaisissa peleissä, jotka eivät sitä sisäänrakennetusti tue. This Bachelor’s Thesis creates a comprehensive review of different ways of deploying multiple monitors in personal computers. There are various deployment methods with different features and suitability for different use cases. Thesis digs into history and evolution of multiple monitor support in between different Windows operating systems from the birth of multiple monitor support in the nineties to present time. Thesis also examines multiple monitor support of games and how to utilize multiple monitors in those games that lack internal built in support for that.

Lean-filosofia ei ole syntynyt hetkessä vaan sen periaatteet ovat syvällä historiassa. Leaniin kuuluvia asioita kuten standardointia, oikeaan tarpeeseen vastaamista ja tuotannon virtausta on käytetty aikaisemmin erilaisissa sovelluksissa. Lean-käsitteen pohjana on Toyota Production System, joka oli syntynyt vaadittaessa kustannustehokasta tuotantoa niukin resurssein. Lean syntyi, kun yhdysvaltalaistutkijat kiinnostuivat Toyotan käyttämistä tavoista valmistaa monia erilaisia malleja tehokkaasti. Leania voidaan pitää vastakohtana massatuotannolle. Lean levisi kulovalkean tavoin läntisessä teollisuusmaailmassa, vaikka sitä ei välttämättä edes kokonaisuudessa sovellettu. Leanista eroteltiin selkeitä työkaluja, joilla yritykset pääsivät kehittämään toimintaansa ja tehostamaan prosesseja. Työkalut otettiin innokkaasti käyttöön valmistuksessa ja niille kehitettiin myös muita sovelluskohteita. Leanin perimmäinen filosofia jäi usein huomiotta, eivätkä kaikki saaneet odotettuja tuloksia. 2000-lukuun mennessä leanin periaatteet oli tutkittu jo läpikotaisin. Ymmärrettiin leanin implementoinnin koskeneen koko organisaatiota, jotta sen periaatteita voitiin toteuttaa tehokkaasti. Lean on kuitenkin tähän päivään mennessä yhä hieman vieras asia sisältönsä puolesta vaikka termi alkaa olla tuttu jo kaikille monilla eri aloilla. Leanin tutkimus jatkuu ja sille löydetään yhä uusia sovelluskohteita, osin ratsastetaan termin maineella, osin ymmärretään oikein virtaustehokkuuden merkitys asiakkaan palvelemisessa.

The increased amount of fake news has created a demand for different fake news detection methods. One way to detect fake news is with machine learning models. While there is a lot of research on different fake news detection models, there is not that much research done on the effects of sentiment information on the classification accuracy of the models. Sentiment information means the overall tone of each of the news articles in the dataset, whether it is positive, neutral, or negative. The goal of this thesis is to find out how sentiment information affects the performance of two of the most popular fake news detection machine learning models. These models are the Naïve Bayes and Support Vector Machine. The sentiment analysis was done with TextBlob and Vader, which are already tested and trained sentiment analysis tools available in Python. The results showed that sentiment information did not have any significant effect on the classification accuracy of the fake news detection models. In most of the cases the addition of sentiment information slightly decreased the accuracy of the models. Valeuutisten kasvanut määrä on aiheuttanut tarvetta löytää erilaisia menetelmiä valeuutisten havaitsemiseen. Yksi tapa havaita valeuutisia on koneoppimismenetelmien avulla. Vaikka erilaisia valeuutisten havaitsemiseen käytettyjä koneoppimismalleja on tutkittu paljon, ei ole vielä paljon tutkimusta siitä, miten tunnetieto vaikuttaa koneoppimismallien luokittelutarkkuuteen. Tunnetiedolla tarkoitetaan tietoaineiston kunkin uutisartikkelin yleistä sävyä, eli onko artikkeli positiivinen, neutraali vai negatiivinen. Tämän työn tavoitteena on selvittää, millainen vaikutus tunnetiedolla on kahteen suosituimpaan valeuutisten havaitsemiseen käytetyn koneoppimismallin suorituskykyyn. Nämä mallit ovat Naïve Bayes ja Support Vector Machine. Tunneanalyysi tehtiin käyttäen TextBlobia ja Vaderia, jotka ovat Pythonista löytyviä valmiiksi valmennettuja ja testattuja tunneanalyysityökaluja. Tulokset näyttivät, että tunnetiedolla ei ollut merkittävä vaikutus valeuutisia havaitsevien koneoppimismallien luokittelutarkkuuteen. Suurimmassa osassa tuloksista tunnetietojen lisääminen hiukan laski mallien tarkkuutta.