Maahanmuuttajataustaisten toimittajien koulutus Haaga-Heliassa 2019–2020: koulutuksen vaikutukset ja diversiteetti suomalaisissa toimituksissa
Bibliographic record
Abstract
Median moniäänisyys sekä diversiteetti journalistisissa mediasisällöissä ja toimituksissa ovat ajankohtaisia ja yhä enemmän keskustelua herättäviä aiheita Suomessa. Suomalainen yhteiskunta on muuttunut kansainvälisemmäksi, mutta ovatko toimitukset muuttuneet sen mukana? \n \nHaaga-Helia ammattikorkeakoulussa vuonna 2019 käynnistynyt maahanmuuttajataustaisille toimittajille suunnattu koulutus pyrkii osaltaan vahvistamaan journalistisen median diversiteettiä ja tukemaan vähemmistöihin kuuluvien toimittajien osallisuutta Suomen mediakentällä. Koulutus muun muassa perehdyttää maahanmuuttajataustaisia toimittajia suomalaisiin journalistisiin menettelytapoihin ja etiikkaan, tukee heidän työllistymistään suomalaistoimituksiin ja pyrkii vahvistamaan verkostoitumista alalla. \n \nOpinnäytetyö perehtyy Haaga-Helian koulutuksen vuosina 2019–2020 järjestettyyn ensimmäiseen toteutuskertaan sekä sen vaikutuksiin opiskelijoiden työllistymiseen ja kartoittaa maahanmuuttajataustaisten toimittajien asemaa suomalaisella mediakentällä. Tutkimusaineisto on kerätty teemahaastattelujen avulla, minkä lisäksi olen hyödyntänyt teoreettisessa osuudessa erilaisia lähteitä liittyen suomalaiseen toimittajakuntaan ja journalistiseen mediakenttään, monikulttuuristen työyhteisöjen viestintään sekä vähemmistöjen asemaan ja representaatioon Suomessa. Lopuksi olen koonnut huomioita ja kehittämisehdotuksia niin Haaga-Helian koulutusta kuin toimituksia varten. \n \nTutkimuksessa selvisi, että maahanmuuttajataustaisilla toimittajilla on merkittäviä vaikeuksia työllistyä suomalaismedioihin muun muassa verkostojen puutteen, kielitaidon ja työnantajien kielteisen suhtautumisen vuoksi. Varsinkin toimitusten asenteisiin kaivataan muutosta, jotta suomalainen mediakenttä voisi paremmin heijastella muuttunutta yhteiskuntaa.
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 | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.015 | 0.005 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.124 | 0.064 |
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".