Keskuskauppakamarin hiilijalanjälkilaskurin käyttöönotto
Bibliographic record
Abstract
Tämä opinnäytetyö tehtiin Meri-Lapin Keskuspesula Oy:n toimeksiannosta. Opinnäytetyön tavoitteena oli ottaa pesulassa käyttöön Suomen Keskuskauppakamarin kehittämä hiilijalanjälkilaskuri. Työhön kuului hiilijalanjälkilaskurin muokkaaminen pesulan toimintaan sopivaksi, käyttöohjeiden teko sekä laskurin käyttöönotossa auttaminen. \n \nHiilijalanjälkilaskurin käyttöönotto on osa Meri-Lapin Keskuspesulan strategiaa kehittää liiketoimintaansa jatkuvasti ympäristöystävällisempään suuntaan. Yritys aloitti ympäristöasioihin panostamisen jo vuonna 2013 ottamalla käyttöön matalassa veden lämpötilassa toimivan pesuainejärjestelmän, ja on siitä lähtien pyrkinyt jatkuvasti tekemään ympäristöystävällisyyttä ja toiminnan tehokkuutta parantavia muutoksia tuotantoonsa. \n \nOpinnäytetyötä tehdessä tutustuttiin samalla yleisesti yritysten hiilijalanjälkien laskemiseen, hiilijalanjälkilaskureihin ja niiden toimintaperiaatteisiin sekä Suomen ja Euroopan Unionin ympäristöpolitiikkaan. Osana laskurin käyttöönottoa selvitettiin myös pesulan toimintaa ja siitä syntyviä päästölähteitä. \n \nOpinnäytetyössä onnistuttiin hyvin hiilijalanjälkilaskurin käyttöönotossa yrityksessä ja lähtötietojen keräämisessä laskurin muokkaamista varten. Opinnäytetyön hyötyjä ovat päästölaskurien valinnassa ja käyttöönotossa tarvittavan tiedon lisääntyminen ja sitä kautta yritysten auttaminen hiilijalanjälkiensä pienentämisessä.
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 | 0.002 | 0.001 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.095 | 0.024 |
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".