Yksityismetsänomistajien taimikonhoitotöiden päätöksentekoon vaikuttavat tekijät Suomen metsäkeskuksen itäisellä palvelualueella
Bibliographic record
Abstract
Opinnäytetyössä tutkittiin yksityismetsänomistajien taimikonhoitotöiden toteuttamisen päätöksentekoon vaikuttavia tekijöitä. Tavoitteena oli lisäksi selvittää, mitkä ovat parhaiten kannustavia tai eniten rajoittavia tekijöitä taimikon varhaisperkauksessa ja taimikon harvennuksessa. \n \nTutkimuksen toimeksiantajana toimi Suomen metsäkeskus. Aineiston hankinta toteutettiin määrällisenä kyselytutkimuksena. Kyselylomake lähetettiin sähköpostitse 10 002:lle Suomen metsäkeskuksen asiakasrekisterin yksityismetsänomistajalle. Kyselyyn saatiin vastauksia 2 300, jolloin vastausprosentiksi muodostui 23 %. Kyselylomakkeiden vastaukset analysoitiin kuvaajien, suorien jakaumien, ristiintaulukointien ja khiin neliö -testien avulla. \n \nTutkimuksen tulosten mukaan Suomen metsäkeskuksen itäisen palvelualueen metsänomistajat hoitavat taimikoitaan kohtuullisen hyvin. Tuloksista saatujen tietojen perusteella taimikonhoitotöistä taimikon varhaisperkausta (53 %) ja taimikon harvennusta (43 %) toteutettiin eniten omatoimisesti. Omatoimiseen taimikonhoitotyön toteuttamiseen kannusti parhaiten metsätalouden parempi kannattavuus (35 %). Ulkopuolisella teetettyyn taimikonhoitotyöhön koettiin kannustaneen parhaiten metsän parempi tuotto työn jälkeen (48 %). Metsänomistajista suurin osa aikoi toteuttaa taimikon varhaisperkausta (81 %) ja taimikon harvennusta (80 %) kyselyä seuraavan 5 vuoden aikana. Osa metsänomistajista (19 %) ei aikonut toteuttaa kyselyä seuraavan 5 vuoden aikana taimikon varhaisperkausta (82 %) tai taimikon harvennusta (83 %), koska kokivat, ettei työlle ole tarvetta.
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 | 0.002 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.008 | 0.004 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.124 | 0.039 |
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".