Henkirikosuutisoinnin asiantuntijana siivouskuningatar : Iltapäivälehtien käyttämät asiantuntijalähteet Ullanlinnan murhan rikosuutisoinnissa
Notice bibliographique
Résumé
Ullanlinnassa vuonna 2022 tapahtunut murha keräsi laajaa medianäkyvyyttä etenkin kahdessa Suomen suurimmassa iltapäivälehdessä. Henkirikoksista kirjoittaminen vaatiikin toimittajilta erityistä sensitiivisyyttä ja tilannetajua, koska uutisointi saattaa vaikuttaa raskaasti erityisesti uhrin läheisiin. Kandidaatintutkielmani tarkoituksena on selvittää, ketkä pääsevät kommentoimaan julkisesti iltapäivälehtien henkirikosuutisoinnissa erittäin brutaalisti tehtyä murhaa. Tutkimuskysymykseni ovat 1) Mitä asiantuntijalähteitä iltapäivälehdet hyödyntävät henkirikosuutisoinnissa? 2) Miten uskottavia iltapäivälehtien henkirikosuutisoinnissa käyttämät asiantuntijalähteet ovat? Pohdin samalla voiko erilaisten asiantuntijoiden valinnat lisätä henkirikosuutisoinnin viihteellisyyttä. Analysoin tutkielmassa kriittistä diskurssitutkimusta hyödyntäen erilaisten asiantuntijoiden puheäänien uskottavuutta. Pohjaan analyysin Howard Beckerin luomaan teoriaa uskottavuuden hierarkiasta. Tutkimusaineisto koostui yhteensä 40 verkkoartikkelista, jotka oli kerätty kahdesta Suomen suosituimmasta iltapäivälehdestä, eli Iltalehdestä ja Ilta-Sanomista. Valitsin iltapäivälehdet tutkimukseni kohteiksi, koska tabloidijournalismissa ne yhdistetään sensaationhakuisiksi medioiksi. Tulosten perusteella suurin osa iltapäivälehtien käyttämistä asiantuntijoista edusti uskottavuuden hierarkiassa korkealla olevaa asiantuntijuuden puheääntä. Puolestaan epävirallisten lähteiden ja julkisuuden henkilöiden hyödyntäminen artikkeleissa toi henkirikosuutisointiin enemmän viihteellisiä elementtejä kuin perinteistä tutkimuksiin tai korkeaan koulutukseen pohjautuvaa asiantuntijuuden tietoa.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,007 | 0,002 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».