Linux-palvelimen käyttöönoton sekä ylläpidon mahdolliset ongelmat
Bibliographic record
Abstract
Tämän tutkimuksen tarkoituksena oli selvittää Suomen kaupunkien kohtaamia ongelmia Linux-palvelimen käyttöönotossa ja ylläpidossa. Tarkoituksena oli luoda raamit Linuxpalvelimen käyttöönoton mahdollisille ongelmille, jotta muut kaupungit ja yhteisöt, jotka harkitsevat Linux-palvelimen käyttöönottoa, voivat varautua näihin ongelmiin ennalta. Tutkimusmenetelmänä käytettiin kvalitatiivista survey-tutkimusta. Tutkijat\nlaativat kyselylomakkeen, joka lähetettiin kahdeksalle Suomen suurimmalle kaupungille. Kyselyyn vastasi viisi kaupunkia: Espoo, Helsinki, Oulu, Tampere ja Turku. Tutkimusongelmaa analysoitiin näiden viiden vastauksen perusteella.\n\nTutkimuksessa kävi ilmi, että yksikään kaupungeista ei ollut kohdannut ylitsepääsemättömiä ongelmia Linuxin käyttöönotossa tai ylläpidossa. Ongelmat, joita iso osa kaupungeista kohtasi, liittyivät kaupungissa käytettäviin räätälöityihin ohjelmistoihin sekä Linux-palvelimen ja Windows-työasemien kommunikointiin. Jonkin verran ilmeni ongelmia myös Linuxin päivittämisessä. Kaupungit olivat ratkaisseet esiintyneet ongelmat ulkopuolisen tukipalvelun, postituslistojen sekä internetin avulla.\n\nEsiintyneiden ongelmien pieni määrä oli yllättävää sikäli, että suurin osa kaupungeista arvioi taitonsa Linuxin suhteen vain välttäviksi. Tämä kertoo siitä, ettei Linuxkäyttöjärjestelmän\nasentaminen tai ylläpito ole vaikeaa. Suurin osa kaupungeista koki\nLinuxin käyttöönoton positiivisena kokemuksena.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.064 | 0.040 |
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".