Bibliographic record
Abstract
Diplomityö käsittelee Aaltoyliopiston opiskelijoiden vuonna 2013 kurssityönä, Keravan Kaupungin tilauksesta, mittamaa E4-luokan EUREF-FIN-kiintopisteverkon tihennystä, sekä mittaushavaintojen jälkikäsittelyä E4-luokkaan hyväksyttäväksi kiintopisteverkoksi. EUREF-FIN on Yleiseurooppalaisen ETRS89-vertausjärjestelmän kansallinen realisaatio Suomen alueella. Mittausten suunnittelussa ja havaintojen jälkikäsittelyssä, noudatettiin joulukuussa 2012 julkaistua julkisen hallinnon suositusta JHS184: Kiintopistemittaus EUREF-FIN-koordinaattijärjestelmässä. E4-luokan kiintopisteitä määritettäessä mittaukset on aina suoritettava GNSS-laitteilla. Työn teoriaosuudessa esitellään kirjallisuuslähteisiin vedoten satelliittipaikannuksen perusteet, EUREF-FIN-koordinaatisto, sekä tasoituslaskennan perusteet GNSS-paikannuksen tapauksessa. GNSS-paikannuksen ja tasoituslaskennan käsittelyssä, keskitytään staattiseen relatiiviseen GNSS-paikannukseen, joka toimi mittausmenetelmänä kiintopisteverkon tihennyksessä. Työn käytännön osuuden muodostavat, kiintopisteverkon mittausten suunnittelutyön esittely, mittaustyön kuvaus, sekä havaintoaineiston jälkikäsittely. JHS184 suosituksen vaikutus mittaustyön eri vaiheiden suunnitteluun näkyy tässä diplomityössä korostetusti. Jälkilaskennalla kiintopisteverkon pisteille saadut koordinaatit annetaan työn lopussa. Käytännön jälkilaskentatyön tuloksena saatujen E4-luokan EUREF-FIN-koordinaattien tarkkuutta ja luotettavuutta käsitellään työn luvussa tulokset ja niiden arviointi.
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 | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.000 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.190 | 0.057 |
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".