Käräjäoikeuden ja vieraskielisten asiakkaiden kohtaaminen sekä siihen liittyvät ongelmat
Bibliographic record
Abstract
Käräjäoikeudet hoitavat Suomessa erilaisia oikeudenkäyntiprosesseja riita-asioista rikosasioihin. Osana oikeudenkäyntiprosessia toimivat asiakaskohtaamiset, eli hetket, jolloin asiakas tapaa käräjäoikeuden edustajan palvelutilanteessa. Asiakaskohtaamiset ovat vaihtelevia, ja niihin sisältyy usein lailla säädeltyä toimintaa. Vieraskielisen asiakkaan kohtaaminen tuo oman haasteensa jo entisestään monimutkaiseen prosessiin. Suomessa oikeudenkäynnin kielet ovat saamelaiskielet saamelaisalueella, suomi ja ruotsi, eikä vieraskielisellä ihmisellä usein ole tarvittavaa taitoa selvittää asioitaan käräjäoikeudessa näillä kielillä. \n \nOpinnäytetyössä ei tarkasteltu ruotsin, suomen ja saamen kielten puhujien asemaa, koska he saavat käyttää omaa kieltään oikeudenkäynnissä Suomessa. \n \nTämän opinnäytetyön tarkoituksena oli tutkia käräjäoikeuksien ja vieraskielisten asiakkaiden kohtaamista sekä ongelmia, joita kohtaamisprosessista löytyy. Opinnäytetyön perusta oli käytännön työssä, jota käräjäoikeuden henkilöstö tekee, ja siinä, miten se onnistuu vieraskielisen asiakkaan kanssa. Työssä selvitettiin lisäksi mahdollisia ratkaisuja löytyneisiin ongelmiin ja pohdittiin käräjäoikeuden asiakaskohtaamisten tulevaisuutta. \n \nOpinnäytetyö koostui lainopillisesta tutkimuksesta ja haastattelututkimuksesta. Lainopillisessa tutkimuksessa tutkittiin oikeuslähteiden kantaa aiheeseen. Haastattelututkimuksessa haastateltiin käräjäsihteereitä, haastemiehiä, käräjätuomareita, sekä julkista oikeusavustajaa. Molemmalla opinnäytetyön tekijällä on työkokemusta käräjäoikeudessa työskentelystä. \n \nOpinnäytetyö toteutettiin projektina Helsingin käräjäoikeudelle.
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 | 0.000 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.106 | 0.031 |
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".