REDU talotekniikan koulutuksen kehittäminen digitaalisten kaksosten avulla
Bibliographic record
Abstract
Tässä opinnäytetyössä tuon esille taitoni talotekniikan koulutuksen kehittämisessä Lapin koulutuskeskus Redussa. Olen ollut mukana tekemässä opetuksen kehitystyötä digitaalisten kak-sosten avulla Duke hankkeessa. \nKehitystyön yhtenä mittarina käytettiin kansainvälistä vertaisarvioitua artikkelia Mibro22 kon-ferenssissa. \nArtikkelissa kerrottiin Digital twin digitaalisten kaksosten ekemisestä käytännön tasolla sekä siihen liittyvistä laitteisto ja resurssivaatimuksista Lisäksi artikkelissa kuvattiin tieteellisen case tutkimuksen tekoa ja tuloksia. Varsinaiset tulokset jäivät kirjoitettuun artikkeliin ja ne ovat lu-ettavissa siitä. \nKirjoitin toisen artikkelin kansainväliselle lämpöpumppufoorumille 14th IEA Heat Pump Con-ference 2023, joka on nyt vertaisarviointivaiheessa. Toinen artikkelini käsittelee (UVLP) (DT) -valmistusprosessia, ja sen käyttäjäkokemuksia kansainvälisessä Laval Virtual -konferens-sissa, jossa esittelin projektia yhteistyökumppaneiden kanssa. \nTämänkaltaiset aiheet näyttävät olevan alan kannalta erityisen ajankohtaisia ja tulevaisuuteen suuntautuneita. Tämän aiheisia artikkeleja kohtaan on selkeästi havaittavissa kansainvälistä kiinnostusta.
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) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.213 | 0.084 |
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".