Bibliographic record
Abstract
Opinnäytetyön tavoitteena oli tutkia Angular-projektin testaamista ja kehittää valmiina olevaan projektiin käytettäviä testejä sekä luoda pohja näiden testien jatkokehittämiselle. Tarkoituksena oli myös, että tätä työtä voisi käyttää myös pohjana sekä tulevien, että nykyisten projektien testaamiselle. Sekä tavoitteena oli myös tietysti inhimillisten virheiden vähentäminen. \n \nOpinnäytetyön toimeksiantajana toimi NordicEdu Oy ja projektina Angular-ohjelmistokehyksellä asiakkaalle kehitettyyn www-sovellukseen Rainmaker APP:iin. NordicEdu on opetus- ja hyötypelejä valmistava turkulainen yritys, jonka suurin osa projekteista on asiakasprojekteja. \n \nTutkimuksessa haettiin vastauksia seuraaviin kysymyksiin: Miten testejä kannattaa ruveta kehittämään ja kuinka kannattavaa se on? Kun kyseessä on jo valmiina oleva projekti, täytyykö testien kehittämistä miettiä eri tavalla kuin testivetoisessa kehityksessä? Onko Angularissa hyvät testauskirjastot ja mikä olisi paras tapa käyttää näitä kirjastoja? \n \nOpinnäytetyössä kehitettiin testejä tutkimuksen pohjalta ja luotiin pohja näiden testien jatkokehittämiselle Rainmaker APP:ssä ja tulevissa projekteissa. Opinnäytetyössä myös tarkasteltiin muita samankaltaisia ohjelmistokehyksiä kuin Angular ja testaamisen kannattavuudesta yleensä. Opinnäytetyön tuloksena syntyi käytettäviä testejä ja pohja näiden testien jatkokehittämiselle.
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 | 0.005 | 0.012 |
| 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 | 0.006 | 0.004 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.346 | 0.158 |
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".