#Ylegate. Yle-kohun eteneminen Twitter-keskusteluissa
Notice bibliographique
Résumé
Syksyllä 2016 alkoi Yle-kohuna tunnettu tapahtumaketju, kun Suomen kuvalehti kertoi pääministeri Sipilän pyrkineen painostamaan Yleisradiota itseensä liittyvässä uutisoinnissa. Tästä käynnistyi noin puoli vuotta kestänyt keskustelu sananvapaudesta ja journalismista Yleisradiossa, ja sen seurauksena useat Ylen toimittajat, muun muassa päätoimittaja Atte Jääskeläinen, jättivät tehtävänsä yhtiössä. \n\t\nTämän tutkimuksen tavoitteena on selvittää, miten kohu muodostui ja mitkä tekijät vaikuttivat sen syntyyn ja kehittymiseen. Tutkimuksessa tarkastellaan kohun rakentumista Twitterissä eri tekijöiden kautta. Tarkasteltavia tekijöitä ovat tviittien saamien tykkäysten ja retviittausten määrät, tviiteissä jaetun sisällön määrä, tviiteistä välittyvät asenteet sekä tviiteissä esiintyvät aiheet. Tviittejä on kerätty kymmeneltä kohun vaiheelta ja niitä on yhteensä 1694 kappaletta. Tviitit on käyty yksitellen läpi. Lisäksi aineistona käytetään kohun aikana julkaistuja artikkeleita ja Atte Jääskeläisen haastattelua, jotta saadaan kattavampi kuva kohun tapahtumista ja syistä.\n\nTutkimuksessa selviää, että kohun tärkein tekijä on media, joka luo uutisia ja aiheita. Sosiaalisessa mediassa käytävä keskustelu kohun aikana koostuu suurelta osin sisällön jakamisesta, eli yleisöt laajentavat aiheita, joita perinteinen media luo. Verkossa käytävä keskustelu on ollut odotuksiin nähden vähäistä ja suuri osa tviiteistä on ollut suhtautumiseltaan neutraaleja. Tutkimus kuitenkin osoittaa, että median luoma paine voi vaikuttaa kohussa mukana olevien edellytyksiin jatkaa työtehtävissään. Lisäksi kohun avulla voidaan kiinnittää huomiota asioihin, joihin huomion halutaan kohdistuvan.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,200 | 0,211 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».