#Ylegate. Yle-kohun eteneminen Twitter-keskusteluissa
Bibliographic record
Abstract
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.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.004 | 0.002 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.200 | 0.211 |
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; both teacher heads agree on what is shown here.
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".