Ihmiskaupan torjuntasuunnitelmat Sloveniassa ja Suomessa
Bibliographic record
Abstract
Opinnäytetyön tarkoituksena oli vertailla Suomen ja Slovenian ihmiskaupan torjuntasuunnitelmia ja ennalta estäviä toimia. Tarkoituksena oli tuoda esille maiden eroavaisuuksia ja yhteneväisyyksiä ihmiskaupan torjunnassa. Sisältö on hyödyllinen Suomelle ja Slovenialle, mutta myös kaikille, jotka voivat työssään kohdata ihmiskaupan uhrin. Sisältö auttaa ymmärtämään, mitä toimia tehdään jo ihmiskaupan torjumiseksi, missä on haasteita, ja mitä kehitettävää Suomella ja Slovenialla on: Mitä maat voivat oppia toisiltaan. Opinnäytetyössäni vertailin viranomaislähteitä ja tutkittuja tutkimuksia. Sain hyvän kattavan kuvan, sekä Slovenian että Suomen ihmiskaupan torjunnasta ja ennalta estävistä toimista. Maiden väliltä löytyi paljon yhtäläisyyksiä, mutta myös eroavaisuuksia. Yhtäläisyyksiä ilmeni esimerkiksi koulutuksen, uhrien tunnistamisen, uhrien työllistymisen ja yhteiskuntaan sopeutumisen suhteen sekä kuinka neuvontaa mahdollisille uhreille jaetaan. Suurimpana eroavaisuutena selvisi, että Slovenian toiminta-suunnitelmassa on oma painoarvonsa ennalta estävälle työlle. Sloveniassa ei ole erillistä yhtenäistä tutkintaryhmää ihmiskaupparikoksia varten kuten Suomessa, vaan Slovenian koulutetut tutkijat ovat sijoitettuna kahdeksalla eri poliisilaitoksella. Johtopäätöksenä voidaan todeta, että Suomi voi ottaa mallia Slovenian ennalta estävistä valistus- ja tiedotuskampanjoista sekä nuorille ja nuorten kanssa työskenteleville järjestetyistä työpajoista. Slovenia voi oppia Suomelta työperäisen hyväksikäytön ilmitulosta; kuinka tunnistaa työperäiset ihmis-kaupan uhrit, tutkia ja syyttää niitä ihmiskauppana, eikä työlain rikkomuksina. Rajasin aiheeni keskittymään ennalta estäviin toimiin, ja tämän vuoksi jouduin rajaamaan mielenkiintoisia lisäaiheita pois. Jatkotutkimuksissa voisi esimerkiksi verrata Suomen ja Slovenian ihmiskaupan uhrien auttamisjärjestöjen toimintaa.
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) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.008 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.104 | 0.032 |
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".