Bibliographic record
Abstract
Työn toimeksiantajana toimi Zoined Oy. Keskusteluissa tuli esille aiempi kokemukseni karttarajapinnoista. Aihe kiinnosti sekä itseä, että Zoinedia, joten yhdessä päätettiin kehitellä jokin tarkempi aihe liittyen karttarajapin-toihin. Aiheeksi kehittyi lopulta asiakasdatan esittäminen graafisesti kar-talla siten, että käytetään eri alueiden värittämistä datan määrää kuvaavilla väreillä. \n \nOpinnäytetyön tavoitteena oli tutkia aluksi karttarajapintoja ja valita yksi, jolla toteutettaisiin demo-sovellus. Aiempaa kokemusta karttarajapinnoista minulta löytyi paikkatietokurssin muodossa, sekä aiemmin tekemästäni sovellusprojektista, jossa käytettiin Google Maps-rajapintaa. Työssä oli tarkoitus myös käydä läpi teoriatasolla demo-sovelluksessa käytettävät tekniikat. \n \nKarttarajapintojen tutkimiseen käytettiin apuna SWOT -analyyseja, joilla pyrittiin esittämään rajapinnan ominaisuudet helposti luettavassa muodos-sa. Tietoa eri karttarajapinnoista löytyi internetistä eri lähteistä. Apuna käytettiin niin palveluntarjoajien omia sivuja, kuin käyttäjien tekemiä ar-vosteluja ja testejäkin. \n \nLopullinen demo-sovellus täytti kaikki sille asetetut tavoitteet. Suomen kartta jaettiin kunta-alueisiin ja kuntia pystyttiin värittämään tietokannasta haetun datan mukaan. Joitakin ongelmia tasojen piirtämiseen liittyvissä tyyleissä jäi kuitenkin ratkaisematta, mutta yleisesti sovellus esittää hyvin, miten alueiden värittäminen kartalle tehdään ja miltä se käytännössä näyt-tää. Sovelluksessa havaittiin myös pieniä suorituskykyongelmia, kun kaikki kunnat piirretään samanaikaisesti. Ratkaisuna tähän voisi olla piirrettävien kuntien rajoittaminen. Kunnat voitaisiin esimerkiksi piirtää kartalle tarkasteltavan maakunnan mukaan, jolloin sovelluksen suorituskyky paranisi.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.007 | 0.008 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.237 | 0.143 |
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".