Sähköajoneuvojen latausjärjestelmien opetus Suomen ammattikorkeakouluissa
Bibliographic record
Abstract
Sähköajoneuvojen lukumäärä kasvaa voimakkaasti. Yhtenä merkittävänä syynä on Euroopan unionin tavoitteet vähentää öljyriippuvuutta ja ilmastotavoitteet. Sähköautojen yleistyminen vaatii kattavan latausverkon ja vaikuttaa sähkönjakeluun ja tätä kautta esimerkiksi sähkönjakeluverkon ja rakennusten sisäisen sähköverkon suunnitteluun. Vaasan ammattikorkeakouluun tulee aiheeseen liittyvä kurssi, sähköajoneuvojen latausjärjestelmät. Opinnäytetyön tavoitteena oli tutkia, kuinka paljon Suomen ammattikorkeakouluissa on latausjärjestelmiin liittyvää opetusta ja mitä opetus pitää sisällään. Lisäksi opinnäytetyöhön kuului lyhyt kysely, joka oli suunnattu latausjärjestelmiin liittyviä tuotteita tai palveluja tarjoaville yrityksille. \nOpinnäytetyön teoriaosiossa käsiteltiin yleisimpiä sähköajoneuvojen latausjärjestelmiin liittyviä asioita, kuten lataustapoja ja teknisiä vaatimuksia. Opetukseen liittyvän tutkimuksen aineisto kerättiin puhelinhaastatteluilla. Tutkimuksessa oli alustava tutkimus opetuksesta ja puhelinhaastattelu opetuksen pitäjille. Yrityksille suunnatun kyselyn aineistoa kerättiin puhelimitse ja sähköpostin välityksellä. \nUsealla koululla oli kursseja, joissa käsiteltiin sähköajoneuvojen latausjärjestelmiä, mutta vain kahdessa koulussa oli oma kurssi aiheesta. Puhelinhaastatteluihin osallistui kolme opettajaa, joilla oli yhteensä seitsemän kurssia, joissa käsiteltiin aihetta. Yrityksille suunnattuun kyselyyn vastasi neljä yritystä. Tulosten perusteella Vaasan ammattikorkeakouluun tulevalle kurssille tehtiin kehitysehdotuksina vierailijaluentojen järjestämistä, mitoitusharjoituksia ja latauspisteiden hankinnan pohtimista laboratorioon.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.009 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.152 | 0.046 |
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".