Poliisin peitetoiminta ja valeostot Suomen lainsäädännössä
Bibliographic record
Abstract
Tämä opinnäytetyö käsittelee poliisin peitetoimintaa ja valeostoa Suomen lainsäädännössä, keskittyen niiden oikeudellisiin edellytyksiin, päätöksentekoon ja näihin liittyviin käytäntöihin. Opinnäytetyön tar-koituksena on kuvailla peitetoimintaa ja valeostoa poliisin suorittamina toimenpiteinä, niin, että lukijalle selviää, milloin poliisi voi näitä pakkokeinoja käyttää, millaista päätöksentekoa niihin liittyy ja miten päätöksentekoprosessi käytännössä etenee. \n \t \nTyö perustuu pakkokeinolain ja poliisilain säännöksiin, jotka asettavat tarkat rajat ja edellytykset peite-toiminnan ja valeostojen käytölle. Peitetoiminta on salainen poliisin tiedonhankintakeino, jossa poliisi soluttautuu rikollisryhmään hankkiakseen tietoa tai todistusaineistoa. Valeosto puolestaan tarkoittaa tilannetta, jossa poliisi esittää ostotarjouksen esineestä, omaisuudesta tai palvelusta, jolla on yhteys rikokseen. Työssä sivutaan myös muita lainsäädäntöjä, kuten perustuslakia ja esitutkintalakia, sillä myös niiden säädöksillä on kytköksiä käsiteltyihin pakkokeinoihin. \n \nOpinnäytetyön johtopäätöksistä ilmenee, että sekä peitetoiminta, että valeosto ovat nykyisessä lain-säädännössä selkeästi määritelty ja sisältää tarkat reunaehdot niiden käyttämiselle. Kuitenkin poliisilla on lain tarjoamaa liikkumavaraa itse käytännön toteutukseen, vaikka edellytykset ovat tiukat ja pää-töksenteko byrokraattista. Peitetoiminnan ja valeostojen käyttö on tasapainottelua yksilön oikeusturvan ja yleisen turvallisuuden kanssa.
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 | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.009 | 0.004 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.086 | 0.026 |
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".