Pelkoon ja maahanmuuttoon liittyvät diskurssit puoluejohtajien turvapaikanhakijakeskustelussa eduskuntavaaleissa 2019
Bibliographic record
Abstract
Tarkastelen tutkimuksessani pelon diskurssia julkisessa turvapaikanhakijakeskustelussa, tarkemmin vuoden 2019 eduskuntapuolueiden puheenjohtajien vaalitenteissä ja vaalikonevastauksissa. Laajemmin puheenvuorot muodostuvat osaksi turvapaikanhakijoihin liittyvää pelon diskurssia. Suomi on yhteiskuntana ollut aidosti sekä monikulttuurinen että nationalistinen, vaikka nämä käsitteet ymmärretään arkikielessä usein toisilleen vastakkaisiksi. Siksi maahanmuuton, kansallisuuden ja vierauden herättämien tunteiden tutkimus on ensisijaisen tärkeää. Pelolla on tärkeä rooli vallitsevien valtasuhteiden ylläpitämisessä, ja siksi juuri turvapaikanhakijoihin liittyvän pelon diskurssin tutkiminen on ensisijaista. Tutkimukseni tärkein tavoite oli kuvata, tulkita ja näin luoda käsitys siitä, miten pelkoa ja turvapaikanhakijoita käsiteltiin julkisessa keskustelussa Suomessa eduskuntavaaleja edeltävänä ajanjaksona vuonna 2019. Tutkimustulokseni on, että puoluejohtajat keskittyivät puheenvuoroissaan analysoimaan meitä ja muita, Suomea yhtenä hegemonisena kansakuntana. Tuloksieni mukaan puoluejohtajien puheenvuorot on luokiteltavissa neljään, maahanmuuttoon ja pelkoon liittyviin diskursseihin: luotettavan Suomen diskurssi, kansakuntadiskurssi, hyödyllisen maahanmuuton diskurssi ja uhkaavan pelon diskurssi. Kolme ensimmäistä kuvaavat maahanmuuttoa, mutta niitä värittää myös ajatus jonkin toisen uhkaavuudesta. Neljäs, uhkaavan pelon diskurssi puolestaan keskittyy torjumaan pelkodiskurssia. Tutkimukseni kuvaa, että kaikki puoluejohtajat osallistuivat puheenvuoroissaan osallistuvat pelon diskurssin ylläpitämiseen tunnustamalla turvattomuuden olemassaolon ja legitimoimalla sitä erilaisin keinoin. Kaikki neljä diskurssia kertovat pelosta eri asioita, ja pyrkivät joko vähentämään tai lisäämään sitä, tarjosivat pelolle erilaisia selityksiä ja antoivat tunteelle erilaisia muotoja. Ne keinot, joilla pelon tai turvattomuuden tunnetta pyrittiin diskursseissa vähentämään, voivat saada joko nationalistisia kaikuja tai monikulttuurisuutta itseisarvona puoltavia sävyjä.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.001 |
| Scholarly communication | 0.007 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.192 | 0.074 |
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".