Katusaneeraushankkeen turvallisuus- ja laatuopas perehdytyksen tueksi
Bibliographic record
Abstract
Suomen kadut ovat tulevaisuudessa suurten kunnostusten tarpeessa. Lisääntyvä työvoima tuo mukanansa haasteita yrityksille, jotka pyrkivät samalla saamaan työtapaturmat vähenemään vuosi vuodelta, tavoitteena nolla tapaturmaa. \n \nTässä opinnäytetyössä käsitellään perehdyttämis-, työturvallisuus- ja laatuvaatimuksia sekä laadunhallintamenetelmiä, joita katusaneeraus työmaille on asetettu. Tämä opinnäytetyö palvelee katusaneeraushankkeiden parissa työskenteleviä työnjohtajia sekä työntekijöitä. \n \nTyö tehdään Skanska Infra Oy:lle, joka on yksi Suomen suurimmista väylä- ja kunnallistekniikan rakentajista. Skanska pyrkii jatkuvasti parantamaan työturvallisuutta ja työhyvinvointia jokaisella sektorillansa ja ne ovat myös lähtökohdat tälle työlle. \n \nTyön liitteenä syntynyt opas on tarkoitettu käytettäväksi katusaneeraustyömailla perehdyttämisen tukena. Opas on lyhyehkö ja sen tarkoitus on antaa turvallinen yleiskäsitys yleisimmistä työmenetelmistä ja työvaiheista, joita katusaneeraustyömaalla tarvitaan. Opas on suunnattu uudelle työntekijälle, joka ei tiedä kunnallistekniikan rakentamisesta mitään. Se pitää sisällänsä ohjeet oikeanlaiseen putkien ja kaivojen asentamiseen sekä rakennekerrosten tiivistämiseen. Se sisältää myös ohjeita ja tarkastuslistoja, joita noudattamalla työntekijä varmistaa turvallisen työnteon.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.007 | 0.003 |
| Scholarly communication | 0.013 | 0.006 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.134 | 0.049 |
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".