Kuluttajat ostoskassien materiaalivalintojen tekijöinä : kuluttajatutkimus fossiilisen muovin kulutuksen vähentämisestä
Bibliographic record
Abstract
Tämän opinnäytetyön tavoitteena oli selvittää, millaisia tottumuksia suomalaisilla nuorilla aikuisilla on ostoskassivalinnoissaan ja miten fossiilista muovia sisältävien ostoskassien määrää saataisiin vähennettyä. Tutkimus toteutettiin heinäkuun 2019 aikana kyselytut-kimuksena käyttäen kvantitatiivista tutkimusmenetelmää. Kyselyyn vastasi yhteensä 132 henkilöä. \n \nTutkimustulokset osoittavat nuorien aikuisten olevan jo nyt suhteellisen ympäristötietoi-sia valintatottumuksissaan, sillä iso osa vastaajista ilmoitti jo nyt käyttävänsä omaa lauk-kua tai kestokassia päivittäistavaraostoksiinsa. Selvitettäessä muovisten ostoskassien käytön vähentämiskeinoja vastaajista 62 % ilmoitti pantillisen ostoskassin vähentävän heidän tarvettaan ostaa uusi muovinen ostoskassi. Ehdotus bonusjärjestelmästä tai pie-nestä alennuksesta vastineeksi oman ostoskassin tuomisesta keräsi 74 % kannatuksen vastaajien keskuudessa. \n \nNuorten aikuisten ympäristötietoisuus ja halu vaikuttaa syntyvän muovijätteen määrään on selvästi nähtävissä kyselytutkimuksen tuloksissa jo nykyisissä kulutustottumuksissa. Suosituimpien esitettyjen vähentämiskeinojen ongelmaksi kuitenkin muodostuu se, ettei niitä vielä ole käytössä tai käyttö on hyvin rajoitettua palvelemaan vain tiettyjen alueiden asukkaita.
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 | 0.003 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.003 |
| Scholarly communication | 0.013 | 0.005 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.047 | 0.013 |
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".