Bibliographic record
Abstract
Suomen metsäpolitiikassa tehtiin 1990–luvulla suuria muutoksia luontoasioiden huomioimiseksi. Metsälaki uudistettiin, Luonnonsuojelulaki ja kestävän metsätalouden rahoituslaki otettiin käyttöön, metsätalouden ympäristöohjelma käynnistettiin ja Tapion hyvän metsänhoidon suosituksia uudistettiin. Näiden toimien lisäksi Suomessa otettiin vuosina 1999–2000 metsiensertifiointi käyttöön. Suomen metsistä sertifioitiin tuolloin noin 95 %, mikä tarkoittaa yli 20 miljoonaa hehtaaria metsämaata. Metsänomistajia sitoutui sertifiointiin tuolloin yli 300 000. \n\nMetsäsertifiointi toteutettiin Suomessa ryhmäsertifiointina Metsäkeskuksen alueen tasolla. Käytännössä se tarkoitti, että Metsänomistajienliitto haki sertifiointia alueensa metsille metsänomistajien puolesta. Ryhmänä sertifiointi mahdollisti edullisen sertifioinnin niin, että myös pienet metsänomistajat pääsivät sertifiointiin mukaan. \n\nMetsäsertifiointi tarkoittaa laatujärjestelmää. Sertifioinnin tavoitteena on parantaa metsien hoitoa ja tuoda sertifioituja tuotteita markkinoille. Sertifioidun tuotteen tunnistaa sertifiointimerkistä. Maailmalla on kansainvälisesti käytössä kaksi suurta sertifiointijärjestelmää PEFC ja FSC. Usealla maalla on myös omat paikallisiin oloihin räätälöidyt sertifiointijärjestelmät, jotka on mahdollista liittää kansainvälisiin PEFC tai FSC järjestelmiin. Suomen oma järjestelmä on nimeltään FFCS. Se on liittynyt kansainväliseen PEFC järjestelmään.\n\nKäytännössä metsäsertifiointi vaikuttaa kriteereiden vaatimuksilla tapaan hoitaa metsiä, mutta velvoittaa työnantajan ottamaan huomioon myös työntekijöiden turvallisuuden ja työhyvinvoinnin. Lisäksi metsäsertifiointi velvoittaa lisäämään metsänomistajien ja nuorten metsätietämystä. \n\nSuomessa sertifiointi vaatimukset ovat lähellä metsälainsäädäntöä. Metsäsertifioinnin suurin merkitys onkin sen lain noudattamista tehostava vaikutus. Keski- ja Länsi–Eurooppaan puutuotteita myytäessä sertifioinnilla on myös suuri merkitys.
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 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.068 | 0.012 |
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".