Bibliographic record
Abstract
Nykypäivänä teknologian maailmassa kerätään tietoa erittäin paljon erilaisista tapahtumista, klikkauksista, tykkäyksistä, latauksista yms. Näiden avulla monet yritykset ja tahot pyrkivät kehittämään palveluitaan asiakkailleen tai muuten vain ymmärtämään oman palvelunsa toimintaa. Kerätystä datasta luodaan datasettejä, joissa on eri tapahtumista kerätty data koottu yhdeksi kokonaisuudeksi. Tämän myötä on datatiede nostanut päätään yritysten toiminnassa. Data-analyytikot ja datatieteilijät käyttävät datasettejään apuna luodessaan erilaisia taulukoita kerätystä datasta ja näin tulkitsevat dataa. Datatiede onkin nostanut päätään paljon nykymaailmassa, ja sen takia data-analyytikot sekä datatieteilijät ovatkin erittäin haluttuja työntekijöitä nykypäivän yrityksiin. \n \nJyväskylän ammattikorkeakoulu halusi saada tutkimusdataa omaan coADDVA-hankkeeseensa, Suomen rautatieliikenteestä sekä myös Suomen sekä Norjan erilaisista säätiedoista. Tavoitteena oli luoda toimiva datasetti, josta juna- ja säätietojen haku ja tarkastelu olisi sujuvaa luoden erilaisia aikasarja taulukoita hyödyntäen kerättyä dataa. Datasettiin haluttiin myös varmistaa jatkokehitys mahdollisuus tulevaisuuden varalle, jos Jyväskylän ammattikorkeakoulu haluaisi lisätä datasettiin eri palveluiden dataa. \n \nToimeksianto toteutettiin käyttäen Python-ohjelmointikieltä, joka on nykypäivänä yksi käytetyin ohjelmointikieli datatieteessä datan tulkitsemiseen. Itse tietokanta luotiin käyttäen apunaan ERD-malleja sekä keskustellen toimeksiantajan kanssa yhdessä luoden mahdollisimman toimivan tietokantarakenteen datasettiä varten. \n \nAikaansaatiin datasetti, joka sisälsi suurimman osan halutusta datasta, jota toimeksiantaja halusi datasettiinsä. Todettiin, että datasetti oli toimiva toimeksiantajan käyttötarkoituksiin ja siihen mahdollistettu jatkokehitys oli toimiva.
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 | 0.004 | 0.022 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.006 | 0.007 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.006 | 0.005 |
| Open science | 0.004 | 0.004 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.052 | 0.074 |
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".