Korleis kan bruk av tre i landbruksbygg aukast?
Bibliographic record
Abstract
Bakgrunn. Verda og landbruket må gjennomføre store utsleppskutt når det gjeld omstillinga til det «grøne skiftet». Tre er eit miljøvenleg bygningsmateriale som har gode positive effektar på dagens klimautfordringar. Tre bind karbon samstundes som at det er eit resirkulerbart materiale. Det er difor av interesse å undersøke korleis brukardriven innovasjon og næringsklynger vert brukt i arbeid for å gjere tre som byggjemateriale meir konkurransedyktig. Studien tek utgangspunkt i prosjektet «Landbruksbygg i tre», eit prosjekt i regi av Innovasjon Noreg (IN) som hadde eit fokus på å fremje meir bruk av tre ved å få fram nye innovative og rimelege byggjemåtar. Vidare bygg studiet på rapporten «Landbruksbygg i tre: Funksjonelle og klimasmarte bygninger» frå Norsk Landbruksrådgjeving (NLR) som viser ein statusoppdatering av kva innverknaden «Landbruksbygg i tre» har hatt sidan prosjektet vart avslutta i 2012. \n \n Hensikt. Studiets formål har vore å undersøkje kva ulike aktørar tenkjer kan gjerast for at tre skal få større marknadsandelar innan landbruksbygg og om næringsklynger kan vere eit viktig verktøy for å nå målet. For å kunne gje eit svar har eg satt opp følgande problemstilling; Korleis kan bruk av tre i landbruksbygg aukast? \n \n Metode. Dette er ein fenomenologisk studie og det vart brukt semistrukturerte intervju for innhenting av data. Det vart gjennomført ti intervju. Informantane var bønder, rådgjevar, produsentar / leverandørar og leiar av ei næringsklynge. Som ein del av arbeidet har eg delteke i ulike workshops og konferansar. Data derifrå har vorte brukt i triangulering saman med litteratur og intervjudata. \n \n Funn og konklusjon. Funn frå studiet viser at det er forbetringspotensial knytta til brukarstyrt innovasjon i arbeidet med vidare utvikling for bruk av tre i landbruksbygg. Spørsmålet om næringsklynger stimulerer til bruk av tre i landbruksbygg, er det ut frå mine funn vanskeleg å komme med ein konklusjon på. Landbruket og byggebransjen arbeider med å få til utsleppskutt og difor er bruk av trematerialer ein viktig og vesentleg faktor i arbeidet framover. Dette bør det forskast vidare på.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.004 |
| Scholarly communication | 0.012 | 0.008 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.065 | 0.021 |
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".