Katsaus fossiilien kovien osien iänmääritysmenetelmiin
Bibliographic record
Abstract
Fossiilien iän määrittäminen on tärkeä tutkimusmetodi tutkittaessa maapallon historiaa, kuten \nlaattatektoniikan aiheuttamia litosfäärilaattojen liikkeitä sekä ilmaston ja eliökunnan kehittymistä. Tämä \ntutkimus esittelee fossiilien koviin osiin soveltuvia iänmääritysmenetelmiä ja sitä, kuinka ne soveltuvat \neri ikäisten fossiilien ajoitukseen. Iän määrittäminen jaetaan absoluuttiseen ja suhteelliseen iän \nmäärittämiseen, ja tässä tutkimuksessa käsitellään absoluuttisia iänmääritysmenetelmiä. \n \nTämä tutkimus käsittelee fossiileille soveltuvia radiometrisiä ajoitusmenetelmiä, jotka ovat radiohiili-, \nuraani-lyijy- ja kalium-argon-menetelmät sekä näiden lisäksi kaksi muuta ajoitusmenetelmää, \nluminesenssiajoitusmenetelmät sekä AAR-menetelmä. \n \nRadiometriset ajoitusmenetelmät perustuvat näytteen radioaktiivisuuden ja hajoamisen tutkimiseen. \nErilaiset radiometriset menetelmät sopivat eri ikäisille fossiileille riippuen näytteen koostumuksesta ja \ntutkittavan alkuaineen puoliintumisajasta. \n \nRadiohiilimenetelmä perustuu hiilen isotoopin C-14 radioaktiiviseen hajoamiseen. Kyseinen isotooppi \npäätyy fotosynteesin ja ravintoketjujen kautta organismeihin. Organismin kuollessa radiohiilen \nkerääntyminen pysähtyy. Radiohiilen puoliintumisaika on noin 4700 vuotta. Radiohiiliajoitus soveltuu \nsuhteellisen nuoriin näytteisiin, maksimissaan 55 000 vuoden ikäisiin fossiileihin. \n \nUraani-lyijy-ajoitus eli U-Pb-ajoitus on yksi tunnetuimpia radiometrisiä iänmääritysmenetelmiä \ngeologiassa. U-Pb-ajoitusmenetelmä soveltuu miljoonasta 4,5 miljardin vuoden ikäisiin näytteisiin. \nMenetelmässä käytetään tavallisimmin zirkonia, monatsiittiä tai titaania, joista mitataan uraanin ja \nradiogeenisen lyijyn pitoisuudet. \n \nKalium-argon-ajoitus eli K-Ar-ajoitus on menetelmä, jossa tutkitaan kaliumin ja argonin pitoisuuksia. \nMenetelmää käytetään mm. savikiviin, kiilteisiin, evaporiitteihin ja vulkaanisesta purkauksesta \nsyntyneisiin kiviin, jotka sisältävät kaliumia. Tämä iänmääritysmenetelmä soveltuu yli 100 000 vuotta \nvanhoihin näytteisiin. \n \nHelium-ajoitusmenetelmä perustuu alfahajoamisen seurauksena syntyvän heliumin määrän \nmittaamiseen. Hajoamissarjojen, kuten uraani-238, uraani-235 ja torium-232, lähtöaineet ovat kaikki \nalfahajoavia ja tuottavat heliumia. Jalokaasu helium sulkeutuu kallioperään mineraalien ja fossiilien \nsisään. \n \nLuminesenssiajoitusmenetelmät ovat menetelmiä, joiden perusteella voidaan selvittää, kuinka kauan \naikaa sitten näyte altistui auringon valolle tai lämmölle. Menetelmä soveltuu muutamasta vuodesta \nmiljoonaan vuoteen ja sitä käytetään usein kvartseille ja maasälville. \n \nAminohappoajoitusmenetelmässä (engl. Amino Acid Racemization, AAR) tutkitaan \naminohappomolekyylien muutoksia niiden muodostumisesta suhteessa kuluneeseen aikaan organismin \nkuoleman jälkeen. AAR-menetelmä soveltuu enimmillään noin 200 000 vuotta vanhoihin näytteisiin. \n \nEPR-spektroskopiaa käytetään sedimenttikerrosten ja fossiilien iän määrittämiseen yhdessä \nuraanisarjojen kanssa. Menetelmä toimii tuhannesta vuodesta kolmen miljoonan vuoden ikäisiin \nnäytteisiin, erityisesti uraania sisältäviin materiaaleihin. EPR-ajoitus perustuu luonnollisen säteilyn \naiheuttamiin paramagneettisten häiriöiden tutkimiseen.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.000 | 0.002 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.059 | 0.171 |
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; both teacher heads agree on what is shown here.
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".