TKR-PINNOITTEEN IRROTTAMINEN KIPSIMUOTISTA
Notice bibliographique
Résumé
Opinnäytetyöni tavoitteena oli löytää paras irrotusaine kipsimuottiin, kun valuaineena käytetään TKRpinnoitetta. \nToimeksiantajani toimi TKR-Marketing Oy:n toimitusjohtaja Matti Raatikainen. \nPinnoitteita on valmistettu jo 1980-luvulta lähtien, mutta teatterimaailmassa niitä on tällä hetkellä käytössä \ntiettävästi ainoastaan Savonlinnan Oopperajuhlilla. Työni tavoitteena oli myös tuoda toimeksiantajalleni \nuutta tietoa yrityksen tuotteista sekä tuoda uusi materiaali teatterimaailman tietoisuuteen. Aiheesta \nei myöskään ole tehty aiempaa tutkimusta, joten työni on ensimmäinen tutkimus TKR-pinnoitteista teatterimaailman \nkäytössä. \nTutkimusmenetelmänäni käytin toimintatutkimuksen spiraalimallia. Sovelsin mallia omaan työhöni \nsopivaksi. Toimintatutkimus koostuu neljästä eri vaiheesta: suunnittelusta, toiminnasta, havainnoinnista \nja reflektoinnista eli arvioinnista. Tarkka suunnittelu toimi työni perustana, mutta tärkeimmiksi vaiheiksi \nnousivat toiminta ja havainnointi. Reflektointivaiheessa analysoin toiminnan tuloksia tarkemmin. \nTein työssäni kahdet eri kokeet pinnoitteille. Ensimmäiset kokeet tein vanerille, ja niiden avulla sain karsittua \ntäysin toimimattomat materiaalit ennen seuraavia kokeita. Vanerikokeen jälkeen tein seuraavat \nkokeet kipsimuotteihin. Kipsikokeiden jälkeen jäljelle jäi neljä toimivaa materiaalia irrotusaineeksi: vaseliini, \nmäntysuopa, mehiläisvaha ja karnaubavaha. Näillä aineilla kokeet onnistuivat erinomaisesti, ja onnistuin \nlöytämään neljä toimivaa materiaalia irrotusaineeksi.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,008 | 0,004 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,192 | 0,081 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».