Suomen kauppalaivaston laivojen nimeäminen ja nimenantoperusteet
Bibliographic record
Abstract
Tämän opinnäytetyön tarkoituksena oli tutkia laivan nimeämistä ja perusteita nimen valinnalle Suomen kauppalaivastossa. Miten laiva nimetään? Miten nimet määrätyvät? Mikä merkitys nimellä on? Rajasin opinnäytetyöni käsittelemään Suomen nykyistä kauppalaivastoa, mutta tutustuin aiheeseen myös aiempien vuosisatojen alusten avulla. Opinnäytetyöni tärkeimmän aineiston sain toteuttamastani kyselystä, johon vastasivat suomalaiset varustamot sekä rahti- että matkustajaliikenteestä. Varustamoiden alukset liikennöivät niin suomen kuin ulkomaan lipun alla. Maantieteellisiä nimiä laivoille annetaan niiden liikennöintialueen mukaan, kuten Näsijärvi, Pielinen ja Suomenlinna. Osalla laivoista on nimessään maantieteellinen etuliite, josta voi päätellä kotimaan tai kohdealueen, kuten Finnhawk, Finnmaid ja Europalink. Rahtilaivoissa suosittua on myös naisten nimien käyttö, jolloin laiva nimetään esimerkiksi varustajan perheenjäsenten mukaan. Kolmasosa käytetyistä ihmisten nimistä on miesten nimiä. Erilaisia tekemistä, toimintaa ja ihmisiä kuvaavia ns. henkilötermejä, kuten Trader, Carrier, Explorer ja Queen, käytetään jonkin verran. Lisäksi aluksia nimetään eläinten (Tiira, Kampela), luonnonilmiöiden (Tyrsky, Hyöky) ja mytologisten nimien mukaan (Neptun, Orion). Mytologisia nimiä käytetään lähinnä hinaajilla. Tutkimuksen tulokset kertovat varustamojen panostuksesta laivojen nimeämiseen. Nimen antaminen on prosessi, johon osallistuu paljon ihmisiä varustamon sisällä. Nimen merkitystä mietitään, eikä sen valinta ole itsestäänselvyys. Erityisesti matkustajavarustamoille nimellä on tärkeä osa markkinoinnissa sekä mainonnassa.
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 | 0.002 | 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 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.076 | 0.028 |
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".