Notice bibliographique
Résumé
Tämän kehittämishankkeen tarkoituksena oli tutkia vesisukellustoimintaa Suomessa ja sitä kuinka se on järjestetty eri puolilla maata, mikä on nykytilanne, minkälaisia haasteita siihen liittyy ja mitä pitäisi parantaa tulevaisuudessa. Lisäksi kirjoitin työhön lyhyen kuvauksen vesisukelluksesta ja lainsäädännöstä, jotta myös asiaan perehtymättömät ymmärtäisivät paremmin, mistä on kysymys. Työ toteutettiin Webropol-tutkimuksella, joka lähetettiin kaikkien 22 alueen pelastusjohtajille, tai suoraan vesisukelluksesta vastaaville henkilöille mikäli sellainen oli tiedossa. Vastaus saatiin 18 laitokselta. Voidaankin todeta, että vastaukset antavat erittäin hyvän kuvan vesisukelluksen nykytilanteesta Suomessa. Lisäksi apuna käytettiin PRONTO tilastoja viimeiseltä viideltä vuodelta. Tilastojen perusteella tehtävämäärään suhteutettuna eniten ihmisiä pelastetaan suurten kaupunkien alueilla. Lisäksi toimintavalmiusajalla näyttäisi olevan suuri merkitys siihen, kuinka todennäköisesti uhri selviytyy. Pelastustoimen alueiden tulisikin pohtia, kuinka alueen toimintavalmiusaikaa saataisiin pienemmäksi ja millä keinoilla hukuksiin joutuneita voitaisiin pelastaa enemmän. Lisäksi olisi hyvä selvittää, onko vesisukeltajat sijoitettu optimaalisesti suhteessa onnettomuuspaikkoihin. Tutkimuksen perusteella vesisukeltamisen järjestämisessä on kehitettävää. Varsinkin sukeltajien määrä, koulutus ja sukeltamisesta maksettavat palkkiot eivät vastaa todellisia tarpeita tai työn vaativuutta. Lisäksi aikaa ja resursseja harjoitteluun ja toiminnan kehittämiseen on monilla alueilla käytettävissä liian vähän.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,106 | 0,030 |
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 ».