Kiistaa meidän metsistämme : kehysanalyysi lulucf-asetuksen ympärillä käydystä mediakeskustelusta Maaseudun Tulevaisuudessa ja Yleisradiossa
Bibliographic record
Abstract
Tutkimuksessamme kuvaamme, kuinka Euroopan unionin ilmastopoliittista lulucf-asetusta on kehystetty Maaseudun Tulevaisuuden ja Yleisradion verkkouutisissa syys–lokakuussa 2017. Tutkimuksemme teoreettinen viitekehys on ympäristöjournalismissa. Lisäksi taustoitamme asetuksen ympärillä käytyä keskustelua suomalaisen metsäkeskustelun historiallisilla näkökulmilla. Käytimme analyysimenetelmänä kehysanalyysia. Analyysimme tuloksena huomasimme, että lulucfasetuksesta keskustelua kehystetään ensisijaisesti kiistan kehyksen kautta. Vastakkainasettelu on yleinen tapa kehystää politiikkaa, ja se on myös yksi ympäristöjournalismin piirre. Pääkehyksemme lisäksi löysimme aineistostamme totuuden ja omaisuuden yläkehykset sekä talouden, ympäristön, Suomen edun ja Suomen metsien alakehykset. Analyysimme tuloksena voimme sanoa, että aineistossamme korostuu metsäpolitiikka, vaikka lulucfasetus on ilmastopoliittinen päätös. Maaseudulla Tulevaisuudella ja Yleisradiolla on painotuseroja, jotka näkyivät kehysanalyysin tuloksissa. Tämä johtaa siihen, että myös kehysten esiintymisessä oli eroja medioiden välillä. Omaisuuden kehykset toistuivat Maaseudun Tulevaisuudella useammin kuin Yleisradiolla, jolla puolestaan painottuivat totuuden kehykset.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.042 | 0.010 |
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".