Ajoneuvokaluston elinkaarikustannusten seuranta
Bibliographic record
Abstract
Tämän tutkimuksen tavoitteena oli selvittää, minkälaista tietoa tarvitaan ajo-neuvokaluston elinkaaren seurannassa. Päivittäisen toiminnan yhteydessä käyttäjät tarvitsevat erilaista tietoa kuin esimerkiksi ajoneuvohankintoja suunniteltaessa ja niistä päätettäessä. Kaluston elinkaaren kuluista suurin osa koostuu käytön aikana tapahtuvista huolto- ja korjaustoimenpiteistä, ja niiden reaaliaikainen seuranta sekä tarvittava analysointi auttavat ennakoimaan tulevaa poistoikää ja uuden hankintaa. Tietotarpeita kartoitettiin harkinnanvaraisella otannalla toteutetulla kyselyllä, jonka kohderyhmä valikoitui ajoneuvoasioiden kanssa toimivista henkilöistä. Työn aikana tutkija suoritti myös osallistuvaa havainnointia. \n \nKyselyn perusteella ajoneuvokaluston seurantaan kaivataan enemmän tietoa kuin nykyhetkellä on mahdollista tuottaa. Tiedon manuaalinen ylläpito vaikut-taa datan eheyteen ja ajantasaisuuteen, eikä myöhässä saatu tieto enää välttämättä ajankohtaista. Tähän on myös kiinnitetty huomiota, viimeistään siinä vaiheessa, kun ajoneuvohankintojen vuosittainen suunnittelu alkaa. \n \nKäyttäjät nostivat vastauksissaan esiin omia tietotarpeitaan ja ilmeistä oli, että käytön seurantaan toivotaan kunnollista dataa kustannusseurantaa varten ja automaattisia muistutuksia ja hälytyksiä. Osalla vastaajista oli alueellaan vastuu yli 150 ajoneuvosta, eikä näin suuren kalustomäärän seuranta manuaalisilla toimilla ole nykyaikana edes järkevää. Ajoneuvohankinnat ovat rahallisesti merkittävä investointi ja oikeaan aikaan tehdyt poistot ja uusien hankinnat vaikuttavat oleellisesti elinkaaren kokonaiskustannuksiin. Tuloksissa nousi esiin ensisijaisesti päivittäisessä toiminnassa tarvittavat tiedot, kuten kustannusten seurannan tärkeys ja ajoneuvon kunnossapitoon liittyvät seikat. Elinkaaren aikana tallennettu relevantti tieto helpottaa myös tulevien hankintojen suunnittelua.
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 | 0.000 | 0.001 |
| 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 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.030 | 0.011 |
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".