Poliisikoiratehtävät Pohjanmaan poliisilaitoksen alueella vuosina 2018 - 2020
Bibliographic record
Abstract
Opinnäytetyössäni tutkin, kuinka usein Suomen poliisi on tarvinnut poliisikoiria tehtävillään vuosien 2018–2020 aikana Pohjanmaan poliisilaitoksen alueella. Selvitän myös poliisikoiraa vaativien tehtävien tehtävälajeja ja sitä, onko niiden määrissä tapahtunut muutoksia vuosien 2018–2020 aikana. Tutkimuksessa käsitellään poliisin partiokoiran perustehtäviä, erikoiskoiria ja erikoistehtäviä ei käsitellä. \n \nTyössäni kerron aluksi poliisin partiokoiralle yleisimmin koulutettavista tehtävistä. Teoriaosuuden jälkeen käsittelen tilastotietoja, joiden laadintaan olen käyttänyt kvantitatiivista tutkimusmenetelmää. Opinnäytetyöhöni keräsin tilastotiedot poliisin ylläpitämästä tulostietojärjestelmästä. Tilastojen analysointia helpottamaan olen havainnollistanut tuloksia erilaisten kaavioiden avulla. Teoriatietoa keräsin koiriin liittyvästä kirjallisuudesta, internet-julkaisuista sekä opinnäytetöistä. Työni on tutkimuksellinen opinnäytetyö. \n \nTutkimustulosten perusteella Pohjanmaan poliisilaitoksen alueella poliisikoiratehtävät ovat lisääntyneet tasaisesti, mutta hyvin maltillisesti. Etsintä- ja jäljestystehtävien sekä voimankäyttötehtävien määrissä ei ole havaittavissa merkittävää muutosta. Tilastojen perusteella kuitenkin poliisikoiran jäljestysmatkojen pituudet ovat selkeästi kasvaneet vuosien 2018–2020 aikana Pohjanmaan poliisilaitoksella.
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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.008 | 0.004 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.117 | 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".