Bibliographic record
Abstract
Tässä raportissa esitetään vuosien 1962-2001 aikana maataloushallituksessa, vesi- ja ympäristöhallituksessa ja nykyisessä Suomen ympäristökeskuksessa kerätyn laajan maaperänäyteaineiston laboratoriomääritysten tulokset. Raportin tavoitteena oli saada julkaistavaan muotoon ja yleishyödylliseen käyttöön tuo pitkältä aikaväliltä oleva laaja aineisto, jota ei ole aikaisemmin julkaistu. Ympäri Suomea kerätyt näytteet on otettu maasta 0-60 m syvyydeltä enimmäkseen maaperätutkimusten tai kuivatus- ja pengerrystöiden yhteydessä. Alkuperäisestä, lähes 20 000 näytteen aineistosta on otettu tähän julkaisuun mukaan 10 297 näytettä. Geoteknisen maalajiluokituksen mukaan luokiteltuna julkaisussa käsitellään yhteensä 29 maalajia, joka sisältää sekä eloperäisiä, hieno- ja karkearakeisia että moreenimaalajeja. Julkaisussa esitetään eri maalajien tilavuuspainon, tiheyden, hienousluvun, juoksu- ja kieritysrajan, plastisuusluvun, sensitiivisyyden ja vesipitoisuuden jakautuminen, keskiarvo ja mediaani. Vedenläpäisevyydestä ja leikkauslujuudesta on tutkittu maalajien jakautumista. Lisäksi selvitetään, miten eri ominaisuudet korreloivat keskenään. Maaperänäytteiden laboratoriomääritysten tuloksista käsitellyt tulokset osoittavat, että näytteiden ominaisuuksien arvot edustavat hyvin Suomen maaperän ominaisuuksia.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.058 | 0.016 |
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".