Mehiläistarhojen suojaus karhuvahingoilta: karhuvahinkoja kärsineiden mehiläistarhojen suojausmenetelmät
Bibliographic record
Abstract
Suomen kansalliseläin, karhu, aiheuttaa mehiläistarhaajille merkittäviä menetyksiä vuosittain. Petovahinkoja vastaan on kokeiltu erilaisia suojauksia, joista toimivimmaksi on todettu sähköaita. Sähköaitakaan ei kuitenkaan ole täysin varma ja syy voi olla sinnikkäässä eläimessä tai aidan heikossa ylläpidossa. Mehiläistarhat \nvoivat sijaita myös asutuksen lähellä, ja osalle tarhaajista tieto suurpedon liikkumisesta lähistöllä aiheuttaa huolta. Opinnäytetyössä tutkitaan sitä, kuinka tarhaajat kokevat suojaukset ja minkälaisia vaihtoehtoja ulkomailta löytyy. \n \nSuomen Mehiläishoitajain Liitto toivoi tutkimusta suojauksien yleisyydestä Suomessa, ja niiden vaikutuksista vahinkoihin. Tutkimuksella kerättiin tietoja suojausten yleisyydestä, ylläpidon tasosta ja siitä, kuinka moni tarhaaja koki vahinkoja suojauksista riippumatta. Opinnäytetyö toteutettiin kyselytutkimuksena Webropolkyselytyökalulla sekä kirjallisuuskatsauksena ja asiantuntijahaastatteluilla. Kyselytutkimukseen pystyivät \nosallistumaan suomalaiset mehiläistarhaajat, joille tarhauskauden aikana sattui karhuvahinko. Kyselyyn pystyi luovuttamaan yhteystietonsa karhuvahinkoilmoituksen lomakkeessa. Tällä menetelmällä vastauksia ei juurikaan tullut, joten Suomen Mehiläishoitajain Liiton neuvoja välitti tarhaajille sähköpostilla tietoa opinnäytetyöstä ja linkin kyselylomakkeeseen. Kysely aukesi kesäkuun alussa ja joulukuun alkuun mennessä vastauksia kertyi 18 kappaletta. Ulkomaisiin suojauksiin perehdyttiin eri internetsivujen avulla sekä sähköpostikyselyillä. Työssä perehdyttiin myös Suomen metsästyslainsäädäntöön karhunmetsästyksen osalta sekä \nSuomen karhukantaan ja lajin elinvoimaisuuteen. \n \nVastauksista kävi ilmi, etteivät kaikki tarhaajat suojaa mehiläispesiään, vaikka karhuvahinko on käynyt. Osa tarhaajista ei koe alueella oleskelevaa karhua ongelmana, vaikka tuhoja tapahtuisi muutenkin kuin mehiläispesille. Vahinkoperusteisia poikkeuslupia karhun kaatamiseksi ei monesti haeta, ja jos haetaankin, ei karhua välttämättä saada poistettua. Suojaukset nykyisellä tasollaan eivät ole riittäviä, vaikka suurin osa tarhaajista \nylläpitää aitoja tarhauskauden ajan. Sähköaidan tehostamiseksi voisi miettiä tukevampia pylväsratkaisuja. Eri tahot tekevät yhteistyötä selvittäessään parasta keinoa, jolla aluskasvillisuus saataisiin pidettyä kurissa kasvukauden aikana. \n \nTutkimuksen tuloksia voidaan hyödyntää tarhojen suojausten kehittämisessä. Useampi mehiläistarhaaja todennäköisesti suojaisi pesänsä, jos ylläpito olisi helpompaa. Erilaisista tavoista aluskasvillisuuden hidastamiseksi voisi tehdä jatkotutkimuksen. Tutkimuksen toteuttaminen yhteistyössä kohdetarhojen kanssa voisi \nnopeuttaa toimivan ratkaisun löytymistä.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.001 |
| Meta-epidemiology (narrow) | 0.004 | 0.004 |
| Meta-epidemiology (broad) | 0.004 | 0.002 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.012 | 0.007 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.067 | 0.009 |
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; both teacher heads agree on what is shown here.
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".