Suo-opetusmateriaali : eteläisen Suomen suot ja Kouvolan suuret rämeet
Bibliographic record
Abstract
Opinnäytetyön tarkoituksena oli tuottaa opetusmateriaalia soista Kouvolan yläkouluille ja lukioille. Opetusmateriaalissa käydään läpi eteläisen Suomen suot sekä Kouvolan suuret rämeet: Alajalansuo, Enäsuo-Lupansuo, Hangassuo ja Haukkasuo. Vaikka turvemaat vastaavat noin kolmasosaa Suomen maa-alasta, nämä eloperäiset ympäristöt ovat jääneet suhteellisen vieraiksi ja jopa luotaantyöntäviksi monille oppilaille. \n \nTässä toiminnallisessa opinnäytetyössä käytetty lähdemateriaali on pääosin sekoitus kirjallisuutta, tieteellisiä artikkeleita, Internet-lähteitä, paikkatietoaineistoja ja omia havaintoja. Paikkatietoaineisto koottiin kartoiksi, joiden kautta opinnäytetyön suot esitellään eri näkökulmista. Opinnäytetyön soilla tehtiin maastoinventaario, jossa selvitettiin soiden suotyyppien kasvilajiryhmärakenne. Opinnäytetyön soiden maastot, kasvit ja eläimet valokuvattiin tuotetun opetusmateriaalin kuvitukseksi. \n \nOpinnäytetyön näkökulma oli pääosin ekologinen, mutta se sisältää myös taloudellisia ja historiallisia näkökantoja. Opetusmateriaali jaettiin kahteen diaesitykseen, jotka sisältävät materiaalien esittäjää varten laaditut tiivistelmät opinnäytetyön sisällöstä. Osa I käsittelee eteläisen Suomen soita. Ensin avataan suon määritelmää, jonka jälkeen materiaalissa tutustutaan soiden levinneisyyteen, syntyyn, rakenteeseen, luokitteluun, käyttöön ja merkitykseen. Osa II on Kouvolan neljän suuren rämeen esittelevä tietopaketti, jossa niiden piirteet, rakenteet, luokittelut ja menneisyydet käydään läpi valokuvien, karttojen ja kaavioiden kautta. Opinnäytetyön tavoitteena on kannustaa oppilaita tutkimaan luontoa sekä innostaa suoharrastajien seuraavaa sukupolvea.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.011 | 0.007 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.086 | 0.035 |
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".