Ilmastotavoitteiden vaikutukset rakennuskantaan 2020-2050
Bibliographic record
Abstract
Tämän kandidaatintyön tavoitteena on selvittää, kuinka ilmastotavoitteet tulevat muokkaamaan Suomen rakennuskantaa vuosina 2020–2050. Työn toteuttamismuoto on kirjallisuuskatsaus ja se on kirjoitettu artikkelien, tiedonantojen, kirjojen ja verkkodokumenttien pohjalta. Ilmastotavoitteita käsitellään niin kansallisella kuin kansainväliselläkin tasolla. Ilmastotavoitteiden, rakennuskannan nykytilanteen ja suunnitteilla olevien toimien tutkimisen perusteella voidaan arvioida Suomen rakennuskannassa tapahtuvia muutoksia. Selvimmin ilmastotavoitteiden vaikutus tullaan huomaamaan rakennuskannan ikärakenteessa, rakennusmateriaaleissa ja taloteknisissä ratkaisuissa. Rakennusten energiatehokkuuden parantamisessa korjausrakentaminen on suurimmassa osassa tapauksista ilmaston kannalta parempi ratkaisu. Mikäli ilmastotavoitteita noudatetaan, rakennuskanta tulee todennäköisesti ikääntymään, eli niiden käyttöikä pitenee lisääntyvän korjausrakentamisen tähden. Markkinoille saadaan tulevaisuudessa uusia ympäristön kannalta kestävämpiä vaihtoehtoisia rakennusmateriaaleja, jotka edesauttavat rakennusvaiheen päästöjen pienenemistä. Peruskorjausten yhteydessä rakennuksiin lisätään energiatehokkuutta parantavaa teknologiaa ja päivitetään jo olemassa olevia vanhoja laitteita.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.061 | 0.019 |
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".