Fyysisen kunnon ja suunnistustaidon merkitys Ilmavoimen kesäpelastautumisharjoituksesta selviytymiseen
Bibliographic record
Abstract
Ilmavoimien ohjaajalle saattaa lennon aikana tulla ongelmia tai vikoja lentokoneeseen, jotka pakottavat lentäjän tekemään pakkolaskun tai poistumaan koneesta laskuvarjon tai heittoistuimen avulla. Kos ka poistumispaikkaa ei voi etukäteen valita, on mahdollista, että lentäjä joutuu kauaksi asutusalueelta. Suomen Ilmavoimissa koulutetaan ohjaajia juuri näitä tilanteita varten. Yksi osa tätä koulutusta on kesäpelastautumisharjoitus, jossa harjoitellaan selviytymistä normaalissa Suomen kesäisessä maastossa. Tässä tutkimuksessa tarkasteltiin vuoden 2004 kesäpelastautumisharjoituksen koulutettavien (n=19) fyysisen kunnon sekä suunnist ustaidon merkitystä harjoituksesta selviämiseen. Lisäksi tutkittiin harjoituksen energiankulutusta. Koulutettavilla oli harjoituksen aikana mukanaan GPS- paikannin, joka antoi henkilön sijainnin lisäksi tietoa hänen sydämensä syketasosta. Vertailuaineistona käytettiin Cooper-, polkupyörä- sekä lihaskuntotest ien lisäksi suunnistuskilpailuntuloksia. Tuloksissa ilmeni, että kesäpelastautumisharjoituksessa koulutettavilla oli suunnistustaidosta enemmän hyötyä kuin hyvästä fyysisestä kunnosta. Harjoitus on luonteeltaan peruskestävyysharjoitusta vastaavaa (keskisyke 114 bpm), jonka vuoksi ylikuormitusta ei havaittu. Heikko suunnistustaito osoittautui todennäköisemmäksi fyysistä kuormitusta aiheuttavaksi tekijäksi. Energiavaje harjoituksen aikana oli suurimmillaan 9000 kcal, jo ka vastaa noin 2-3 kilon pudotusta henkilön painossa. Tällä ei kuitenkaan ollut suurta merkitystä koulutettavien jaksamisen ja toimintakyvyn kannalta.
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.074 | 0.018 |
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".