Bibliographic record
Abstract
Tämän kehittämishankkeen tarkoituksena oli tutkia vesisukellustoimintaa Suomessa ja sitä kuinka se on järjestetty eri puolilla maata, mikä on nykytilanne, minkälaisia haasteita siihen liittyy ja mitä pitäisi parantaa tulevaisuudessa. Lisäksi kirjoitin työhön lyhyen kuvauksen vesisukelluksesta ja lainsäädännöstä, jotta myös asiaan perehtymättömät ymmärtäisivät paremmin, mistä on kysymys. Työ toteutettiin Webropol-tutkimuksella, joka lähetettiin kaikkien 22 alueen pelastusjohtajille, tai suoraan vesisukelluksesta vastaaville henkilöille mikäli sellainen oli tiedossa. Vastaus saatiin 18 laitokselta. Voidaankin todeta, että vastaukset antavat erittäin hyvän kuvan vesisukelluksen nykytilanteesta Suomessa. Lisäksi apuna käytettiin PRONTO tilastoja viimeiseltä viideltä vuodelta. Tilastojen perusteella tehtävämäärään suhteutettuna eniten ihmisiä pelastetaan suurten kaupunkien alueilla. Lisäksi toimintavalmiusajalla näyttäisi olevan suuri merkitys siihen, kuinka todennäköisesti uhri selviytyy. Pelastustoimen alueiden tulisikin pohtia, kuinka alueen toimintavalmiusaikaa saataisiin pienemmäksi ja millä keinoilla hukuksiin joutuneita voitaisiin pelastaa enemmän. Lisäksi olisi hyvä selvittää, onko vesisukeltajat sijoitettu optimaalisesti suhteessa onnettomuuspaikkoihin. Tutkimuksen perusteella vesisukeltamisen järjestämisessä on kehitettävää. Varsinkin sukeltajien määrä, koulutus ja sukeltamisesta maksettavat palkkiot eivät vastaa todellisia tarpeita tai työn vaativuutta. Lisäksi aikaa ja resursseja harjoitteluun ja toiminnan kehittämiseen on monilla alueilla käytettävissä liian vähän.
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 | 0.000 | 0.001 |
| 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 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.106 | 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".