Toimitus- ja tonttijakokarttojen kehittäminen Jyväskylän kaupungille
Bibliographic record
Abstract
Tämän insinöörityön aiheena on toimitus- ja tonttijakokarttojen kehittäminen Jyväskylän kaupungille. Toimituskarttalajeista käsitellään vain tontin lohkomiskartta (tonttikartta) sekä yleisen alueen lohkomiskartta. Kyseiset kartat ovat vuosien saatossa muotoutuneet epäselviksi, koska niiden kehittämiseen ei ole panostettu riittävästi.\n\nTässä työssä tutkitaan muutaman Suomen eri kunnan toimitus- ja tonttijakokarttoja sekä Maanmittauslaitoksen toimituskarttoja. Niitä vertaillaan Jyväskylän vastaaviin karttoihin. Asiantuntijoilta ja muiden kuntien kartoista saadaan ideoita kehitystyötä varten. Tavoitteena on tehdä karttojen kehitysehdotus esimerkkien avulla.\n\nSuurin osa ehdotetuista ratkaisuista vaatii ohjelmiston ylläpitäjältä muutoksia järjestelmään, ja vain pieni osa ratkaisuista vaatii kartantekijältä toimintatapojen uudelleenopettelua. Kehitysehdotuksista merkittävimpiä uudistuksia lienee muodostettavan kiinteistön ja tonttijaon rajojen muuttaminen näkyvämmiksi, merkintöjen selitteiden lisääminen sekä nimiön, muodostumisluettelon ja koordinaattiluettelon uudistaminen.\n\nJyväskylän lisäksi myös muut Suomen kunnat voivat saada ehdotetuista ratkaisuista ideoita omiin toimitus- ja tonttijakokarttoihinsa. Yhteiset käytännöt ja nykypäivän standardien mukaiset ratkaisut ovat eduksi ammattilaisille ja asiakkaille.
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 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.002 |
| Scholarly communication | 0.007 | 0.002 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.163 | 0.042 |
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".