Suurpetohavainnot tietovarantona
Bibliographic record
Abstract
Suurpetojen seurannan yksi tärkeimmistä työkaluista on suurpetohavainnot. Korkeatasoisten havaintojen tekeminen mahdollistaa omalta osaltaan laadukkaiden arvioiden tuottamisen suurpetojen lukumäärästä ja niiden alueellisesta levittäytymisestä. Kaikkien suurpetojen Tassuhavaintojen lukumäärä sijoitettuna 10*10 km ruudukkoon vuodesta 2017 alkaen. #### Ruudukko2017_2022 - Koordinaatisto: EUREF_FIN_TM35FIN - Ruutukoko 10 km * 10 km, koko Suomen alue - Ruuduissa on esitetty vuosina 2017 – 2025 Tassu-järjestelmään tallennettujen havaintojen lukumäärä (susi, karhu, ilves ja ahma). - Saman vuoden aineisto (yksi shp-tiedosto) sisältää sarakkeittain kaikkien lajien tiedot. Tassuun tallennettu havaintoaineisto koostuu mistä tahansa suurpetoihin liittyvästä havaintomateriaalista. Suurin osa havainnoista on näkö- tai jälkihavaintoja mutta myös riistakamera-, uloste- ja haaskahavaintoja on runsaasti. Suurpetohavainnot antavat hyvän kuvan yleisestä suurpetojen levinneisyydestä. Tarkempaan analysointiin kannan koosta tai eläinten liikkeistä niiden antama informaatio ei ole riittävä. Havaintoja tehdään pääasiassa siellä missä ihmiset liikkuvat tai siellä missä ihmiset ja eläimet kohtaavat. [Lisätietoa Tassusta](https://luonnonvaratieto.luke.fi/cms/pages?path=suurpedot/suurpetohavaintojarjestelma/)
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.118 | 0.032 |
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".