Bibliographic record
Abstract
Frisbeegolfissa keskeisessä osassa on räjähtävän voimantuoton ja kestävyysominaisuuksien lisäksi myös liikkuvuus. Hyvällä liikkuvuudella on todettu olevan suorituskykyä parantavia vaikutuksia sekä loukkaantumisriskiä alentava vaikutus. Liikkuvuusharjoittelun muotoja on useita, joista yleisin ja tunnetuin muoto on staattinen venyttely. Vaikkakin staattinen venyttely onkin kovin suosittu tapa kehittää liikkuvuutta, se ei välttämättä ole kaikkein hyödyllisin tapa. Staattiseen venyttelyyn verrattuna dynaamisen liikkuvuusharjoittelun on \ntodettu parantavan akuutisti suorituskykyä. Liikkuvuuden kehittämisen ohella sillä on todettu olevan positiivinen vaikutus räjähtävään voimantuottoon ja liikenopeuteen. \nOpinnäytetyön toimeksiantajana toimi Suomen Frisbeegolfliitto. Frisbeegolfin harrastaja- ja kilpailumäärät \novat Suomessa olleet jo pitkään kovassa nousussa. Tämän myötä myös suorituskyvyn kehittämisen suosio \npelaajien keskuudessa on kasvanut. Suomen Frisbeegolfliiton yksi tavoitteista on tuottaa tietoa ja materiaali \nfrisbeegolfin harrastajille. Opinnäytetyön tarkoituksena oli tuottaa digitaalinen dynaamisen liikkuvuusharjoittelun opas Suomen Frisbeegolfliitolle. Opinnäytetyö toteutettiin kehittämistyönä. \nKehittämistyön tavoitteena oli luoda helppo tapa frisbeegolfaajalle aloittaa tai lisätä liikkuvuusharjoittelua \noheisharjoitteluunsa suorituskyvyn parantamiseksi sekä loukkaantumisten ennaltaehkäisyksi. Oppaan tarkoitus on olla yksikertainen ja ymmärrettävä sisällöltään. Opinnäytetyön tarkoituksena oli myös toimia lisätyökaluna Suomen Frisbeegolfliitolle valmennuksen suunnitellussa.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.001 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.139 | 0.047 |
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".