Hallinnollinen päätöksenteko pilaantuneiden maa-alueiden riskinhallinnassa
Bibliographic record
Abstract
Pilaantuneet maa-alueet aiheuttavat ympäristö- ja terveysriskejä. Suomen ympäristöhallinto kehittää lainsäädäntöä ja muita ohjauskeinoja, joilla riskit saadaan hallintaan kestävän kehityksen tavoitteet huomioiden. Alueelliset ympäristöviranomaiset valvovat riskinhallintatoimia muun muassa tekemällä hallintopäätöksiä, joissa hyväksytään maaperän puhdistaminen ja annetaan sitä koskevia määräyksiä. Suomen ympäristöhallinto on seurannut pilaantuneiden maa-alueiden riskinhallintakäytäntöjen kehitystä tarkastelemalla tehtyjä hallintopäätöksiä. Riskinarvioinneista tai riskinhallintatoimista, joista ei tehdä hallintopäätöstä, ei ole aiemmin kerätty tietoa seurantaraportteja varten. \n \nTässä tutkimuksessa kerättiin tietoa viranomaisten tavoista tulkita ja soveltaa nykyistä lainsäädäntöä sekä selvitettiin lainsäädännön kehittämistarpeita. Tutkimus toteutettiin tekemällä kirjallisuuskatsaus, teemahaastatteluja ja kaksi Webropol-kyselyä. Haastatteluihin ja kyselyihin osallistuivat alueelliset ympäristöviranomaiset, jotka valvovat pilaantuneiden maa-alueiden riskinhallintatoimia. Lisäksi haastateltiin konsultteja, jotka laativat riskinarviointeja ja suunnittelevat riskinhallintatoimenpiteitä. \n \nTutkimus osoitti, että viranomaisten menettelytavoissa on eroja. Lisäksi selvisi, että pilaantumisen aiheuttamien riskien hallintaan tarkoitettuja hallinnollisia menettelyjä sovelletaan silloinkin, kun ei ole merkittävää ympäristö- tai terveysriskiä. Lainsäädäntöä tulisi päivittää vastaamaan paremmin nykyisiä menettelytapoja ja hallintopäätösten soveltamisalaa tulisi laajentaa. Näin olisi mahdollista yhdenmukaistaa viranomaisten toimintatapoja ja kerätä hallintopäätösten perusteella tarkemmin eriteltyä tietoa erilaisista riskinhallintatoimenpiteistä. Tämä edistäisi toimijoiden yhdenvertaista kohtelua eri puolilla maata sekä mahdollistaisi täsmällisemmän tiedonkeruun ohjauskeinojen jatkokehitystä varten.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.066 | 0.012 |
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".