Sähköautojen tulevaisuus ja kehitys Suomessa
Bibliographic record
Abstract
Tämän opinnäytetyön tarkoituksena on tutkia sähköautojen nopeaa kehitystä ja pohtia, kuinka tarpeellista taloudellisesta näkökulmasta ja kuinka nopealla tahdilla Suomen olisi investoitava lähitulevaisuudessa sähköautoihin ja samalla rakentaa teiden varsille sähköautoille tarvittavia latauspisteitä. Tavoitteena opinnäytetyössä on luoda käsitys tulevaisuuden Suomesta seuraaville vuosikymmenille, johon kuuluu enemmän ympäristöystävällisiä vaihtoehtoja, joista sähköautot tulevat olemaan merkittävä osa. \n \nSuomen osalta sähköautojen tulo liikenteeseen on sen verran maltillinen, ettei sähköautoista ole vielä apua EU:n asettamien vuoden 2020 energia- ja ilmastotavoitteiden saavuttamiseksi. Eikä niiden käyttöön tuleminen ole edes välttämätöntä kyseisten tavoitteiden saavuttamiseksi. Tämä johtuu siitä, että Suomessa on päätetty edistää enemmän biopolttoaineiden käyttöä, kuin sähköautoilua. Tilanne tulee muuttumaan huomattavasti vuoteen 2030 ja etenkin vuoteen 2050 mennessä. \n \nTaloudellisesta näkökulmasta Suomessa ei ole tarvetta sähköautojen nopeaan kasvuun. Sähköautojen hinnat laskevat odotetusti ja niiden suorituskyvyn kehittämisessä otetaan koko ajan suuria askelia eteenpäin. Kuitenkin automäärien kasvaessa on huolehdittava siitä, että autojen lataus suoritettaan älykkäästi, jotta autot eivät lisäisi huipputehon tarvetta eivätkä ylikuormittaisi maan sähköverkkoja.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.001 |
| Scholarly communication | 0.011 | 0.005 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.107 | 0.041 |
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".