Lävistämiskulttuurin lyhyt historia – esteettinen tehokeino vai tapa kohdata maailma?
Bibliographic record
Abstract
Lävistäminen ja lävistyskorut ovat normaali näky Suomen katukuvassa. Varsinkin nuoret ihmiset suosivat erikoisempiakin lävistyksiä korvakorujen lisäksi. Mistä tämä on lähtöisin, onko meillä muita syitä lävistää kehoamme kuin esteettiset syyt? Miksi lävistyskorut eivät ole muuttuneet Suomessa 1990-luvun lävistysbuumin jälkeen? \n \nTässä opinnäytetyössä tutkittiin lävistämisen historiaa ja Suomen lävistämiskulttuurin syntyä ja mitä kaikkea muuta lävistäminen liittyy. Opinnäytetyössä tutkittiin myös, miten lävistyskorujen tekniikka on kehittynyt, kuka sen on keksinyt ja miten. Keräsin tietoa aiheesta kirjallisuutta lukemalla ja tekemällä kaksi kyselyä. Opinnäytetyön toinen kysely suunnattiin lävistetyille ihmisille ja toinen lävistäjille. Sen avulla sain tietoa, minkälaiset lävistyskorut ihmisiä kiehtovat ja miksi ihmiset ovat lävistyksensä hankkineet. \n \nLopputuloksena syntyi lyhyt katsaus lävistämisen historiaan ja lävistämiskulttuurin syntyyn. Sain vastauksen siihen, miksi lävistyskorut ovat sellaisia kuin ovat ja miksi lävistyskorukulttuuri on säilynyt niin samanlaisena kymmeniä vuosia. Lisäksi suunnittelin muutaman korvakorukokonaisuuden kyselyjen perusteella, koska halusin opinnäytetyöhön kuitenkin näkyviin myös omaa kädenjälkeäni.
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 | 0.003 |
| 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 | 0.004 |
| Scholarly communication | 0.015 | 0.008 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.049 | 0.014 |
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".