Periferiasta edelläkävijäksi: Suomi Politico EU:n uutisissa vuonna 2018
Bibliographic record
Abstract
Suomen mainitseminen ulkomaalaisessa mediassa herättää usein myös kotimaisen median mielenkiinnon. Aloin pohtimaan Suomen maakuvaa Brysselissä ja EU:n politiikkaan keskittyvässä mediassa keväällä 2018, kun Politico lehden toimittaja vieraili Tampereen yliopistossa järjestetyssä tilaisuudessa. \nMedia rakentaa maakuvaa representaatioiden kautta. Kuvat ja tekstit muodostavat välillisen tiedon kautta hankittua osamaakuvaa. Maakuva ei siis kokonaan perustu esimerkiksi median tai muun toisen käden tiedonantajan kautta, mutta se voi toimia osana sitä. Maakuva on kuitenkin asia, jota ei voi hallita toisin kuin maabrändiä. Maakuva voi vaikuttaa esimerkiksi maahan suuntaavien yritysten ja turistien mielipiteisiin. \nTutkin tässä pro gradu -tutkielmassa brysseliläisen Politico EU -lehden tuottamaa maakuvaa Suomesta vuonna 2018. Aineistoon kuuluu 19 artikkelia, jotka julkaistiin vuoden 2018 aikana. Tutkin maakuvaa Fairclough’n diskurssianalyysin kautta. Tutkielman viitekehykseen liittyy myös käsitteet maakuva, identiteetti ja kansallinen identiteetti. Tutkielmassa käydään myös tiivistäen läpi Euroopan unionin ja Suomen yhteistä historiaa. \nAineiston analyysissa selvisi, että Suomea käsiteltiin Politicossa erityisesti neljän eri diskurssin kautta. Nimesin diskurssit seuraavasti: Itsenäinen Suomi, Neuvottelija Suomi, Suomi periferiasta edelläkävijäksi ja Politiikan keskeiset tekijät – tulevaisuudessa. \nPohdin diskurssianalyysissa nimenomaan myös sitä, millaisen maakuvan ne muodostavat Suomesta. Pohdin myös suomalaisten identiteetin muodostumista näiden diskurssien kautta.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.008 | 0.002 |
| Scholarly communication | 0.011 | 0.004 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.129 | 0.036 |
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".