Elinkaarimallien soveltaminen tietokantapohjaisen web-sovelluksen kehittämisessä : CASE: Taitouinnin pistelaskujärjestelmä
Notice bibliographique
Résumé
Tämän opinnäytetyön tavoitteena on esitellä ja tutkia tietojärjestelmän elinkaarimalleja sekä toteuttaa teorian perusteella Suomen Uimaliitolle taitouinnin pistelaskujärjestelmä. Työssä tarkastellaan myös ohjelmistokehityksen vaiheita kirjallisuuden ja kehitetyn järjestelmänpohjalta. \n \nLähtötilanteessa Suomen Uimaliitolla ei ollut käytössään nykyaikaista automatisoitua taitouintikilpailun pisteytysjärjestelmää. Lopputulosten tuottaminen manuaalisesti oli aikaisemmin taulukkolaskennan varassa, minkä takia inhimillisten virheiden mahdollisuus oli suuri. Lisäksi kilpailussa käytettävät tulosteet eivät olleet yhdenmukaisia ja niiden saanti oli toisinaan hidasta. \n \nEsitutkimuksen aikana käydyssä haastattelussa ilmeni, että järjestelmän kehittäminen toisi kilpailutoimintaan suoraviivaisuutta ja selkeyttä. Projektin toteutukseen ei asetettu tarkkoja vaatimuksia tai rajoituksia, minkä takia järjestelmä voitiin kehittää vapaasti opinnäytetyön tutkimusten pohjalta. Pistelaskujärjestelmä rakennettiin pääosin PHP-ohjelmointikielellä ja MySQL-tietokantaohjelmistolla. \n \nOpinnäytetyössä käytettiin konstruktiivista tutkimusotetta, jossa asiakkaan ongelma ratkaistiin haastatteluiden ja ohjelmistokehityksen teorian avulla. Työ koostui sekä teoreettisesta tutkimusosiosta että konstruktiona syntyneen pistelaskujärjestelmän suunnittelemisesta ja tuottamisesta. Järjestelmän kehittämisessä käytettäväksi elinkaarimalliksi valikoitui prototyyppimalli.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,009 | 0,005 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,005 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,030 | 0,006 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».