Yksityisen tien kantavuuden parannushankkeet
Bibliographic record
Abstract
Suomen yksityistieverkosto käsittää kolme neljäsosaa Suomen tiestöstä. Laajuutensa vuoksi yksityisteiden kanssa tekemisissä on valtaosa suomalaisista. Tiestön rakenteellisen kunnon takaamiseksi tiestö vaatii jatkuvia toimenpiteitä. \n \nOpinnäytetyössä on perehdytty yksityisteiden kantavuuden parantamishankkeita koskeviin kirjallisiin julkaisuihin, ohjeistuksiin ja lakeihin. Materiaalin pohjalta työhön on koottu keskeisiä tietoja hankkeen eri vaiheista. Työhön on kerätty oleellista tietoa hankkeen aloittamisesta, avustusten hakemisesta, suunnittelusta, kilpailuttamisesta sekä työn valvonnasta ja luovutuksesta. \n \nTyössä on lisäksi selvitetty Suomen yksityistieverkon laajuutta, tämän hetkistä toimivuutta sekä tulevaisuuden haasteita. Työssä on kuvattu myös tien tyypillisiä vaurioitumiskohtia, sekä niiden korjaustoimenpiteitä. \n \nOpinnäytetyö on tehty kirjallisten lähteiden perusteella ja tulokset saatu yhdistelemällä hyväksi katsottuja ja toimivia toimintamalleja, suunnitelmia ja menetelmiä. \n \nTuloksena työstä syntyi helposti muokattavia parantamishankkeen suunnitelma- ja asiakirjapohjia, kantavuuden laskentataulukko sekä tyyppirakennekuvia työselityksineen. Edellä mainittuja asiakirjapohjia on tarkoitus käyttää kantavuuden parannushankkeiden suunnitteluun ja toteuttamiseen.
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) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.002 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.095 | 0.027 |
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".