Bibliographic record
Abstract
TIIVISTELMÄ \n \nKYMENLAAKSON AMMATTIKORKEAKOULU \nPuutekniikka \n \nVILANDER, HENRIIKKA\tSuomessa käytettävät metsäsertifikaatit \nOpinnäytetyö\t48 sivua \nTyön ohjaaja\tLehtori Pekka Kuitunen \nToimeksiantaja\tItsenäinen tutkimus \nMaaliskuu 2011 \nAvainsanat\tFSC, PEFC, metsäsertifiointi Suomessa \n \nSuomi on maailman metsistään riippuvaisin maa, ja metsiä käytetään paljon eri tarkoituksiin. Metsätaloudella ja metsäteollisuudella on suuri rooli Suomessa. Jotta metsistä saatava materiaali säilyttäisi laatunsa ja metsät pysyisivät tuottavina, niitä on alettu sertifioida. Suomessa käytetään kahta sertifiointiohjelmaa, PEFC:tä ja FSC:tä, joiden kriteerit kohtaavat osin, mutta poikkeavat jonkin verran toisistaan. Tämän tutkimuksen aiheena on näiden kahden metsäsertifikaatin vertailu. Tavoitteena on selvittää, voiko kriteereiden perusteella väittää toista paremmaksi. \n \nTutkimus on toteutettu itsenäisesti lukemalla aiheeseen liittyviä internetsivustoja, julkaisuja ja kirjallisuutta sekä sähköpostitse toteutetulla haastattelulla asiantuntijoille, jotka edustavat eri näkökantoja sertifikaatteihin. Kysely lähetettiin teollisuuden, etujärjestöjen ja puolueettomien tahojen edustajille. \n \nKriteerien vertailun tuloksena tuli johtopäätös, että FSC on hieman PEFC:tä parempi, sillä siitä jää vakuuttavampi mielikuva. FSC keskittyy enemmän ympäristöasioihin, PEFC tuntuu välillä panostavan enemmän lakien ja säädöksien täyttämiseen. FSC:n kriteerit ovat myös yksityiskohtaisemmat. Molemmat sertifiointiohjelmat koetaan kuitenkin tarpeellisiksi ja hyödyllisiksi ilmastonmuutoksen hillitsemisessä, sillä ne molemmat vastustavat metsäkatoa ja auttavat siten säilyttämään metsät hiilinieluina.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.218 | 0.084 |
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".