Kustannustehokkuuden parantaminen rakenteenparantamistöissä
Bibliographic record
Abstract
Opinnäytetyön tavoite oli GRK Road Oy:n rakenteenparantamisen kustannustehokkuuteen liittyvien ongelmakohtien ja niiden mahdollisten ratkaisujen esittely. Työn tilaajana oleva GRK Road Oy on yksi Suomen suurimmista päällystyksen ja rakenteenparantamisen toimialan yrityksistä. Rakenteenparantamisen työn tarve kasvaa jatkuvasti Suomen tiestön suuren korjausvelan myötä. Siksi toiminnan jatkuva tehostaminen on tärkeää kilpailukyvyn ylläpitämiseksi jatkossakin. Opinnäytetyössä sovelletaan tekijän omakohtaista kokemusta rakenteenparantamisen työtehtävistä päällystyskausina vuodesta 2017 vuoteen 2020. \n \nOngelmakohtia on tullut esiin työmailla ja töihin osallistuneiden osapuolten kanssa keskusteltaessa. Opinnäytetyössä sovelletaan käytännönläheistä tietoa niin teoria- kuin tutkimusvaiheessakin. Lähteinä on käytetty pääasiassa Väyläviraston asiakirjoja, sillä ne ovat käytännössä rakenteenparannuksien työmenetelmien suunnittelun ja toteutuksen ohjeistuksia. Rakenteenparantaminen toimialana on kuitenkin hyvin pienimuotoista verrattuna muuhun infrarakentamiseen, joka tuo omat haasteensa laajalle lähdeaineistolle. \n \nOpinnäytetyössäni esitellyt ongelmakohtien ratkaisuehdotukset ovat melko helposti kokeiltavissa lähitulevaisuudessa. Pilottikokeiluilla olisi saatu tähän työhön paremmat näkökohdat, mutta päällystyskauden jaksoittaisuuden myötä niitä ei onnistuttu toteuttamaan tähän opinnäytetyöhön
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 | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.087 | 0.029 |
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".