Elinkaarimallien soveltaminen tietokantapohjaisen web-sovelluksen kehittämisessä : CASE: Taitouinnin pistelaskujärjestelmä
Bibliographic record
Abstract
Tämän opinnäytetyön tavoitteena on esitellä ja tutkia tietojärjestelmän elinkaarimalleja sekä toteuttaa teorian perusteella Suomen Uimaliitolle taitouinnin pistelaskujärjestelmä. Työssä tarkastellaan myös ohjelmistokehityksen vaiheita kirjallisuuden ja kehitetyn järjestelmänpohjalta. \n \nLähtötilanteessa Suomen Uimaliitolla ei ollut käytössään nykyaikaista automatisoitua taitouintikilpailun pisteytysjärjestelmää. Lopputulosten tuottaminen manuaalisesti oli aikaisemmin taulukkolaskennan varassa, minkä takia inhimillisten virheiden mahdollisuus oli suuri. Lisäksi kilpailussa käytettävät tulosteet eivät olleet yhdenmukaisia ja niiden saanti oli toisinaan hidasta. \n \nEsitutkimuksen aikana käydyssä haastattelussa ilmeni, että järjestelmän kehittäminen toisi kilpailutoimintaan suoraviivaisuutta ja selkeyttä. Projektin toteutukseen ei asetettu tarkkoja vaatimuksia tai rajoituksia, minkä takia järjestelmä voitiin kehittää vapaasti opinnäytetyön tutkimusten pohjalta. Pistelaskujärjestelmä rakennettiin pääosin PHP-ohjelmointikielellä ja MySQL-tietokantaohjelmistolla. \n \nOpinnäytetyössä käytettiin konstruktiivista tutkimusotetta, jossa asiakkaan ongelma ratkaistiin haastatteluiden ja ohjelmistokehityksen teorian avulla. Työ koostui sekä teoreettisesta tutkimusosiosta että konstruktiona syntyneen pistelaskujärjestelmän suunnittelemisesta ja tuottamisesta. Järjestelmän kehittämisessä käytettäväksi elinkaarimalliksi valikoitui prototyyppimalli.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.009 | 0.005 |
| Scholarly communication | 0.006 | 0.007 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.005 | 0.004 |
| Insufficient payload (model declined to judge) | 0.030 | 0.006 |
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".