Bibliographic record
Abstract
Tutkielma on kirjallisuuskatsaus Suomen kyberturvallisuuden tilasta tällä hetkellä. Aihe on rajattu valtiollisella tasolla tarkasteltavaksi. Valtiollisen kyberturvallisuuden tilaa lähdetään selvittämään ensin tutkimalla kyberturvallisuutta Suomessa, kuten siitä vastuussa olevia valtiollisia toimijoita ja niiden toimintakykyä, lainsäädäntöä, kyberturvallisuusstrategiaa, sekä kansainvälistä yhteistyötä. Tämän jälkeen käsitellään Suomeen kohdistuneita kyberhyökkäyksiä ja kyberuhilta suojautumista. Lopuksi käsitellään tulevaisuuden näkymiä. Kirjallisuuskatsauksen tulos osoitti, että Suomen valtiollinen kyberturvallisuus koostuu monista eri tekijöistä, jotka kaikki ovat erittäin tärkeitä valtion kyberturvallisuudelle. Yleisesti valtion kyberturvallisuuden tilanne on hyvällä tasolla, sillä valtiolla on käytössään kyberturvallisuuden tilaa positiivisesti tukeva lainsäädäntö, kyberturvallisuudesta vastaavat valtiolliset toimijat, kyberturvallisuusstrategia ja toimiva kansainvälinen yhteistyö. Valtiollisen kyberturvallisuuden tila ei kuitenkaan ole täydellinen, mutta ilman näitä valtion kyberturvallisuuden eri tekijöitä tilanne voisi olla paljon huonompi. Muuttuvat tilanteet kybertoimintaympäristössä ja rikollisten tahojen kyvykkyys aiheuttavat kuitenkin tilanteen, jossa valtion kyberturvallisuutta pitää jatkuvasti arvioida ja kehittää. Kehitettävää löytyi etenkin yhteistoiminta- ja viranomaisprosesseista, tilannekuvasta ja tiedonvaihdosta. Valtiota kohtaan on myös onnistuttu tekemään kyberhyökkäyksiä, mikä korostaa entisestään tarvetta parantaa valtiollista kyberturvallisuutta.
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 | 0.004 | 0.002 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.056 | 0.016 |
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".