Keskushermostoa kiihdyttävät huumausaineet: tutkimus Suomen yleisimmin käytetyistä piristeistä sekä siitä, mikä niissä vetää käyttäjiä puoleensa
Bibliographic record
Abstract
Opinnäytetyön tarkoituksena on selvittää Suomen yleisimmin käytetyt keskushermostoa kiihdyttävät huumausaineet eli piristeet, luoda niistä kokonaiskuva sekä selvittää mikä vetää käyttäjiä puoleensa. Lisäksi opinnäytetyössä tutkitaan yleisimmin käytettyjen piristeiden käytön kasvua. \n \nAluksi lukija perehdytetään opinnäytetyöhön, jonka jälkeen tutustutaan syvällisemmin Suomen yleisimmin käytettyihin piristeisiin. Tietopohjan jälkeen lukija pääsee tutustumaan tutkimuksen toteutukseen. Tutkimuksen toteutustapa on kvalitatiivinen eli laadullinen tutkimus. Aineistonkeruumenetelminä ovat erilaiset dokumentit sekä kokemusasiantuntijan haastattelu. \n \nTutkimuksesta ilmenee, että yleisimmät keskushermostoa kiihdyttävät huumausaineet ovat amfetamiini, metamfetamiini, MDMA (ekstaasi) ja kokaiini. Edellä mainittujen huumausaineiden käyttö on myös tilastollisesti kasvussa. Metamfetamiinin käyttö on hieman tasaantunut muutamien vuosien takaiseen nousupyrähdykseen nähden. Kyseisissä huumausaineissa käyttäjiä vetää selkeästi puoleensa niiden energisoiva vaikutus ja itseluottamuksen nousu. \n \nJatkotutkimuksena toimisi vastaavanlainen opinnäytetyö keskushermostoa lamaavista huumausaineista tai tutkimus siitä, kuinka koronavirustilanteen aiheuttamat poikkeusolot ovat vaikuttaneet huumausaineiden käyttöön Suomessa.
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 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.084 | 0.024 |
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".