Piikkimattoja maailmalta: uusien piikkimattojen ominaisuudet, sekä tarpeellisuuden arviointia Suomessa
Bibliographic record
Abstract
Opinnäytetyössäni tutustutaan uusiin ajoneuvojen pysäytysvälineisiin. Uudet välineet on rajattu piikkimattoihin, tai muihin pienempiin välineisiin, joiden toiminta ja tehokkuus perustuu kohdeajoneuvon renkaiden puhkaisemiseen. Suomen poliisilla on käytössä Stinger-merkkinen piikkimatto. Muiden valmistajien versioilla on tietenkin omat hyvät ja huonot puolensa. Tuotteisiin paneudutaan syvällisesti, ja tarkastellaan niitä tehokkuuden, toimintatapojen ja työturvallisuuden kannalta. \n \nTyöstä on rajattu pois betoniporsaat ja metalliset läpikulun estävät liikuteltavat esteet, sekä muut henkilöautojen ja raskaampien ajoneuvojen läpikulun estävät laitteet. Työssä ei myöskään ole käsitelty uusien piikkimattojen aiheuttamia kustannuksia. \n \nTulevaisuudessa opinnäytetyötäni voitaisiin käyttää hyödyksi uuden piikkimaton valinnassa Suomen poliisille. Paremmat piikkimatot mahdollistaisivat työturvallisemman käytön ja paremman tehokkuuden, sekä osumatarkkuuden. \n \nOpinnäytetyöni on yksilötyönä toteutettu kvalitatiivinen, eli laadullinen tutkimus. Sen tarkoitus on kartoittaa millaisia vaihtoehtoja olisi nykyiselle Suomen poliisin käyttämälle piikkimatolle. Tarkoituksena on myös selvittää, onko uusille välineille ylipäätään tarvetta Suomessa. Tietoa tuotteista olen hankkinut niitä myyvien ulkomaalaisten jälleenmyyjien kautta, tutustumalla videomateriaaleihin, sekä teemahaastattelemalla kokeneita poliiseja.
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) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.006 | 0.002 |
| Scholarly communication | 0.011 | 0.005 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.113 | 0.047 |
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".