"Koiratko ne tulevat eläkkeet maksaa?" : Retoriset keinot koirien määrää koskevassa verkkokeskustelussa
Bibliographic record
Abstract
Suomalaisten syntyvyys on laskenut, ja rekisteröityjen koiranpentujen määrä on kirinyt lähes samoihin lukemiin kuin syntyvien lasten määrä. Tämä tutkimus on retoriikan analyysi kyseisen aiheen uutisoinnin herättämästä kommentoinnista sosiaalisessa mediassa. Koiria tarkastellaan työssä perheenjäseninä ja kumppanuuslajina. Tutkimuskysymys on: Mitä retorisia keinoja ihmiset käyttävät kommentoidessaan koirien määrän kasvua ohi syntyvien lasten määrän? \n \nYhteiskunnallinen eläintutkimus tarkastelee niitä sosiaalisen elämän rajapintoja, jotka ihmiset ja muut eläimet keskenään jakavat. Kiinnostuksen kohteena eivät ole yksin koirat tai ihmiset, vaan nämä yhdessä. Donna Harawayn ajatus koirasta kumppanuuslajina viittaa lajiemme jaettuun ja toisiamme muokkaavaan historiaan, nykyhetkeen ja tulevaisuuteen. Vaikka koiran ja ihmisen suhteeseen kuuluu keskinäinen riippuvuus ja avunanto, koiria ei tulisi Harawayn mukaan kohdella lapsinamme vaan toislajisina aikuisina. Haraway pyrkii myös murtamaan erilaisia dikotomioita, kuten jaon luontoon ja kulttuuriin. Koiratkaan eivät tällaiseen kahtiajakoon taivu, vaan putoavat perinteisten määritelmien ulkopuolelle. \n \nAineistona on sosiaalisen median kommentit Helsingin Sanomien Facebook-sivulla sekä Vauva.fi-foorumilla. Metodina on retoriikan analyysi. Kommentit teemoiteltiin aluksi aineistolähtöisesti viiteen teemaan: koirien ja lasten rinnastamisen mielekkyys, koirista ja lapsista kannettava vastuu, koirista ja lapsista koituvat hyödyt ja haitat yhteiskunnalle, ilmastonmuutos ja väestönkasvu sekä naisten syyllistäminen. Kunkin teeman kommenteista tarkasteltiin niitä retorisia keinoja, joilla kirjoittajat pyrkivät lisäämään oman näkemyksensä totuusarvoa ja vastaavasti mitätöimään eriäviä näkökulmia. \n \nTuloksena voidaan todeta, että erilaisia retorisia keinoja käytettiin laajalti, ja keinot kietoutuivat monilta osin yhteen. Keskustelua käytiin lähes yksinomaan ihmisnäkökulmasta. Harawayn peräänkuuluttama kumppanuussuhde edellyttäisi vastavuoroisuutta, toisin kuin suhde harrastusvälineisiin, joihin koiraa kommenteissa verrattiin. Koirasuhdetta määritti kommenteissa hyötyajattelu, ei kumppanuus.
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 | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.005 |
| Scholarly communication | 0.010 | 0.009 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.040 | 0.017 |
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".