Tilastografiikan tuotannon automaatio R-ohjelmointikielellä - Case Suomen Pankki
Bibliographic record
Abstract
Tämän toiminnallisen opinnäytetyön tilaaja oli Suomen Pankki. Kehitysprojektin toimeksiantona oli tilastografiikkaa tuottava automaatioratkaisu R-ohjelmointikielellä. Opinnäytetyönä toteutettiin vakiomuotoista tilastografiikkaa tuottava ohjelma, joka noutaa tarvittavat tiedot, piirtää niistä tilastografiikkaa ja tallentaa kuvat. Raportissa kuvataan tämän ohjelman toimintaa ja kehitysvaiheita. \n \nOhjelman kehittämisessä pyrittiin automatisoimaan prosessi mahdollisimman pitkälle ja sisällyttämään siihen kaikki loppukäyttäjän toivomat ominaisuudet. Automatisoidusta tilastografiikasta pyrittiin saamaan visuaalisesti samanlaista kuin aikaisemmassa manuaalisessa ratkaisussa. Projektin aikana testattiin useita ominaisuuksia ja toteutusvaihtoehtoja, joista osa karsiutui lopullisesta ohjelmasta. \n \nLopputuotoksena toteutettiin ohjelma, joka hakee kuukausittain päivitettävät tiedot Suomen Pankin omasta tietokannasta, piirtää niistä tilastografiikkaa ja tallentaa kuvat kootuksi esitykseksi. Koska ratkaisua tullaan vielä tulevaisuudessa kehittämään, myös jatkokehityksen mahdollistaminen huomioitiin projektissa. \n \nOpinnäytetyö kuvaa toteutettua ohjelmaa, sen toimintoja ja kehitysvaiheita. Lisäksi työssä esitellään tilastografiikan käsitteitä yleisellä tasolla ja käytäntöjä sekä R:n toimintoja. Raportissa käsitellään myös saatua palautetta ja arvioidaan lopputuotosta toimeksiannon alkuperäisten tavoitteiden pohjalta.
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 | 0.003 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.006 | 0.005 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.122 | 0.030 |
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".