Lähtötietojen tarve ja tarkkuus korjausrakentamisessa
Bibliographic record
Abstract
Insinöörityön tarkoituksena oli selvittää lähtötietojen tarve ja tarkkuus korjausrakentamisessa rakennuttajan näkökulmasta, sekä miten lähtötietoja hankitaan. Tavoitteena oli kartoittaa case-kohteen alkuvaiheen lähtötietojen tarve, sekä niiden viranomaisvaatimukset. Korjausrakentamisesta rajattiin pois erilaisten vaurioiden korjaukset ja niihin liittyvät kuntotutkimukset. \n \nLähtötietojen tarpeen ja tarkkuuden määritteleminen osoittautui haastavaksi, koska korjausrakentamisessa hankkeet ovat hyvinkin erilaisia. Suomen laki ja valvontaviranomaiset määrittelevät lähtötietojen vähimmäisvaatimukset, mutta niiden laajuudella ei ole ylärajaa. Ylärajan määrittelee usein lähtötietojen hankintaan liittyvät kustannukset. Kustannuksissa on otettava huomioon myös mahdolliset riskit, mitkä syntyvät, mikäli lähtötiedot jäävät puutteellisiksi. Yksi rakennuttajantärkeimpiä tehtäviä onkin kokonaisuuden hallinta. \n \nLähtötietojen tarve ja tarkkuus vaihtelee rakennushankkeen suuruuden mukaan. Suurissa hankkeissa eri alojen suunnittelijoita on useita, ja lähtötietoja tarvitaan paljon. Pienemmissä hankkeissa, kuten case-kohteessa lähtötietojen hankinta voidaan toteuttaa lain ja viranomaisvaatimusten vähimmäistasonmukaan. Tämän insinöörityön perusteella saatiin kartoitettua korjaushankeen alkuvaiheen tarvittavat lähtötiedot case-kohteeseen.
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) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.067 | 0.022 |
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".