Nasta- ja kitkarenkaiden vertailu
Bibliographic record
Abstract
Suomen talvi-ilmasto asettaa erityisvaatimuksia henkilöautojen renkaille. Jäisillä teillä ajamiseen vaaditaan renkaalta erityisominaisuuksia, jotta sujuva ja turvallinen liikenne on mahdollista. Autoilijat käyvät jatkuvasti keskustelua siitä, kumpi rengas on parempi talviajoon, nastarengas vai kitkarengas. Työni tarkoitus oli koota yhteen eri tutkimuksissa ilmi tullutta tietoa nasta- ja kitkarenkaista ja vertailla renkaiden hyviä ja huonoja puolia. \n\nTämä työ on toteutettu itsenäisesti perehtymällä alan kirjallisuuteen. Lähteinä olen käyttänyt mm. VTT:n tutkimusraportteja, aikaisempia opinnäytetöitä, rengasvalmistajien internetsivuja ja autoalan lehtiä. Tutkimuksia on tehty renkaiden ympäristövaikutuksista, kuten renkaiden tienkuluttavuudesta, liikennemelusta ja katupölyn muodostuksesta. Autoalan lehdet testaavat vuosittain uusimmat talvirenkaat ja vertailevat kattavasti renkaiden pito-ominaisuuksia eri alustoilla. \n\nTuloksista selviää, että kitkarenkaiden ympäristövaikutukset ovat pienempiä kuin nastarenkailla. Nastarenkaiden suurin haitta on teiden kuluminen, myös vierintämelu ja katupölyn muodostus on suurempaa kuin kitkarenkailla. Kitkarenkaat ovat myös polttoainetaloudellisempia. Pitotesteissä suurimmat erot nastarenkaiden hyväksi tulevat jääpinnalla. Lumialustoilla renkaiden erot jäävät pieniksi. Kitkarenkaiden hieman arvaamattomasta käytöksestä johtuen ne sopivat parhaiten kokeneemmille autoilijoille. Nastarenkaat toimivat tasaisemmin kelien vaihdellessa ja antavat parhaan pidon hankalimmissa olosuhteissa.
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) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.001 |
| Scholarly communication | 0.008 | 0.005 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.179 | 0.079 |
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".