Ulkomaalaisrikkomukset vuonna 2015 : erityistarkastelussa maahantulokiellon rikkominen
Bibliographic record
Abstract
Tämä opinnäytetyö on tehty tilaustyönä Poliisihallitukselle. Poliisihallitus pyysi tarkastelemaan ulkomaalaisrikkomuksia Suomessa vuonna 2015. Tutkimus kohdistuu ainoastaan poliisin paljastamiin ulkomaalaisrikkomuksiin. \n \nPoliisihallitusta kiinnosti ulkomaalaisrikkomusten määrä, niiden esiintymisalueet, niihin syyllistyneiden kansalaisuudet sekä se, missä yhteydessä ulkomaalaisrikkomukset paljastuvat. Eritoten maahantulokiellon rikkomisen osuus ulkomaalaisrikkomuksista kiinnosti, sillä maahantulokiellon rikkomisesta saatavan rangaistuksen koventamisesta on pohdinnassa lakialoite. Lisäksi Poliisihallitus pyysi selvittämään, ovatko ulkomaalaisrikkomusten rangaistukset suhteessa laittomasti Suomessa oleskeltuun aikaan ja syyllistyvätkö ulkomaalaisrikkomuksiin syyllistyneet myös muihin rikoksiin. \n \nTutkimus toteutettiin käymällä läpi vuodelta 2015 rikosilmoitukset, joissa nimikkeenä oli ulkomaalaisrikkomus. Tulokset havainnollistettiin kaavioin ja taulukoin. \n \nTutkimuksessa ilmeni, että ulkomaalaisrikkomuksia vuonna 2015 paljastui 823, joista 468 oli maahantulokiellon rikkomista. Ulkomaalaisrikkomukset paljastuivat pääasiassa Helsingissä ja muualla pääkaupunkiseudulla. Ulkomaalaisrikkomus paljastui pääosin hälytystehtävien, lupahallinnon ja liikennepysäytysten yhteydessä sekä satamissa. Ulkomaalaisrikkomuksiin syyllistyivät pääosin virolaiset. Suurin osa epäillyistä oli miehiä ja työikäisiä. Maahantulokieltoaan rikkovat syyllistyivät yli 500 muuhun rikokseen ja rikkoivat maahantulokieltoa usein useammin kuin kerran. Joka kymmenes virolainen rikkoi maahantulokieltoa ja jäi siitä kiinni. \n \nUlkomaalaisrikkomusten rangaistukset eivät tutkimuksen mukaan olleet suhteessa laittomasti maassa oleskeltuun aikaan. Työssä listattiin kehitysehdotuksia muun muassa tämän epäkohdan korjaamiseen.
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 | 0.003 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.006 | 0.002 |
| Scholarly communication | 0.013 | 0.005 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.134 | 0.047 |
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".