Sisällissodan itsemurhat : itsemurhakuolleisuus 1910-luvun Suomessa
Bibliographic record
Abstract
Ranskalainen sosiologi Emilé Durkheim esitti vuonna 1897 eurooppalaisten kuolleisuustilastojen pohjalta havainnon, jonka mukaan itsemurhakuolleisuus tyypillisesti laskee sota-aikana. Sittemmin Durkhéimin hypoteesi on saanut osakseen niin vahvistusta kuin myös voimakasta kritiikkiä, ja itsemurhakuolleisuuden on todellisuudessa havaittu nousseen eräiden konfliktien, kuten Suomen sisällissodan aikana. Virallisten tilastojen perusteella Suomessa tehtiin vuonna 1918 enemmän itsemurhia kuin koskaan aikaisemmin. Vaikka tilastojen luotettavuutta on kritisoitu, on niitä potentiaalisista puutteistaan huolimatta pidetty riittävän luotettavina. Suomen sisällissodan tapauksessa kyseessä ei kuitenkaan ollut yksiselitteinen itsemurhakuolleisuuden kasvu, sillä erot sukupuolten välillä olivat merkittäviä; miesten itsemurhakuolleisuus reagoi sota-ajan tapahtumiin naisia voimakkaammin, mutta naisten itsemurhat eivät määrällisesti eronneet vuosikymmenen keskiarvosta. Väestöryhmäkohtainen tarkastelu kuitenkin osoittaa ilmiön olleen vielä tätä monimutkaisempi. Vastaavasti erot eri alueiden välillä olivat suuria. Itsemurhakuolleisuus oli korkeimmillaan Hämeen, Uudenmaan ja Viipurin lääneissä, joiden alueille sisällissodan väkivaltaisuudet ja tuhot painottuivat muita läänejä voimakkaammin. Vaikka Vaasan läänin väestöstä kaatui muuhun valkoiseen Suomeen suhteutettuna merkittävän suuri osuus, oli läänin itsemurhakuolleisuuden lisäys lähes koko maan alhaisimmalla tasolla. Vaasan osalta huomattavaa oli se, että suuresta kaatuneiden määrästä huolimatta läänin sisällä ei käyty suuria taisteluita ja sotavahingot jäivät vähäisiksi. Punaisen Suomen mittapuulla Turun ja Porin lääni puolestaan oli poikkeuksellinen alue, sillä vaikka kyseisen läänin sota- ja terrorikuolleisuus ylsivät muun punaisen Suomen tasolle, ei alueen itsemurhakuolleisuus kasvanut läheskään samassa suhteessa. Erottavana tekijänä oli se, että läänin lounaisosat säilyivät suurimmilta taisteluilta rintaman kulkiessa Porin pohjoispuolella ja sisällissodan loppuvaiheessa punaiset vetäytyivät alueelta ilman kiivaita lopputaisteluita. Näin ollen Turun ja Porin läänissä sodan taloudelliset vahingot jäivät muuta punaista Suomea vähäisemmiksi. Tutkimuksen perusteella pelkkä sodan väkivaltaisuus ei itsessään riitä selittämään itsemurhakuolleisuuden kasvua, vaan keskeistä oli se, millä tavoin sota vaikutti yhteiskunnallisiin olosuhteisiin, jokapäiväisiin elinmahdollisuuksiin ja taloudellisen hyvinvoinnin muuttujiin.
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.024 | 0.004 |
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".