TKR-PINNOITTEEN IRROTTAMINEN KIPSIMUOTISTA
Bibliographic record
Abstract
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.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.008 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.192 | 0.081 |
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".