Bibliographic record
Abstract
Kanta-arvion 2022 perusteella Suomen ilveskanta on pysynyt pääosin ennallaan. Ennen metsästyskautta 2022/2023 Suomessa arvioidaan olevan 2 150–2 405 yli vuoden ikäistä ilvestä. Pentuehavaintojen perusteella vuonna 2021 havaittiin 394–435 pentuetta, mikä on noin seitsemän pentuetta (2 %) enemmän kuin vuotta aikaisemmin. Arviossa ei ole mukana Ahvenanmaan pentuehavaintoja. Se ei myöskään sisällä arviota touko-kesäkuussa 2022 syntyneistä pennuista. \nPääosassa maata ilveskanta on pysynyt ennallaan tai kasvu on ollut hyvin loivaa. Ilveskanta on kasvanut neljällä Suomen riistakeskuksen alueista: Etelä-Hämeessä, Etelä-Savossa, Pohjanmaalla ja Varsinais-Suomessa. Pentueiden määrä on edelliseen vuoteen verrattuna pienentynyt Kainuun ja Lapin poronhoitoalueen ulkopuolisilla alueilla, Pohjois-Hämeessä ja Uudellamaalla. \nIlveskannan säilyminen edellisvuotisella tasolla on seurausta viime vuoden metsästysverotustasosta. Ilvesten luontaisessa kuolleisuudessa ei ole tapahtunut tiedossa olevia muutoksia aikaisempiin vuosiin verrattuna. Ilveskannan aikaisemman laskusuunnan merkittävimpänä syynä on ollut metsästyskuolleisuus. \nKanta-arvio pohjautuu petoyhdyshenkilöiden 1.9.2021–28.2.2022 kirjaamien pentuehavaintojen pohjalta tehtyyn arvioon erillisten pentueiden määrästä. Kaikki ilveshavainnot pitivät sisällään yhteensä ~ 3 900 kpl ilvespentueiden näkö- ja jälkihavaintoa, mikä on hieman enemmän kuin vastaavana aikajaksona kaudella 2020–2021. Tähän lienee vaikuttunut viime talven erinomainen lumitilanne.
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 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.041 | 0.014 |
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".