Tilannekatsaus poliisin kokemukseen omasta kompetenssista tutkia metsästykseen liittyviä rikoksia Sisä-Suomen alueella
Bibliographic record
Abstract
Tämän opinnäytetyön tavoitteena on tuottaa ajankohtainen katsaus Sisä-Suomen poliisilaitoksessa työskentelevien rikostutkijoiden ja yleispoliisien kompetenssista tutkia metsästykseen liittyviä rikoksia. Metsästämisellä tarkoitetaan luonnonvaraisena olevan riistaeläimen pyydystämistä ja tappamista, sekä saaliin ottamista metsästäjän haltuun. Suomessa metsästyksellä on pitkät perinteet ja metsästys on yleinen harrastus ympäri Suomea. Suomessa vuonna 2020 on ollut noin 310 000 metsästäjää. Metsästykseen liittyvä rikollisuus on monimutkaista ja tieto rikoksesta tulee harvoin poliisille. Poliisi sai vuonna 2020 Sisä-Suomen alueella tietoonsa vain 31 metsästykseen liittyvää rikosta. Tutkimuksen perusteella yleisin tapa, jolla poliisi saa tiedon metsästykseen liittyvistä rikoksista, on kansalaisen tekemä rikosilmoitus. Kun taas lupavalvonnan kautta ilmi tulleita metsästykseen liittyviä rikoksia tulee vähiten poliisin tietoon. Vastaajista vain osa oli metsästyksen harrastajia. Moni vastaaja oli kuitenkin sitä mieltä, että omasta harrastuneisuudesta ja kiinnostuksesta on hyötyä esitutkinnassa. Suurin osa kokee kykynsä tutkia metsästykseen liittyviä rikoksia kohtalaiseksi. Verrattuna muihin yleisempiin rikosnimikkeisiin, vastaajat kokivat kykynsä olevan huomattavasti heikompi, kun kyseessä on metsästykseen liittyvän rikoksen tutkinta. Verrattuna rikostutkijoiden ja yleispoliisien omaan kompetenssiin, moni koki Sisä-Suomen poliisilaitoksen kokonaisuutena pärjäävän yhtä hyvin, kuin muut Suomen poliisilaitokset. Vastaajien mielestä Sisä-Suomen kyvykkyyttä tutkia metsästykseen liittyviä rikoksia voitaisiin parantaa koulutuksilla, yhteistyöllä asiantuntijoiden kanssa ja kohdentamalla tutkinta tietyille tutkintaryhmille tai tutkijoille.
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) | 0.003 | 0.003 |
| Meta-epidemiology (broad) | 0.004 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.004 | 0.004 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.012 | 0.022 |
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".