Kansainvälisten korruption vastaisten sopimusten velvoitteet ja niiden toteutuminen Suomen lainsäädännössä
Bibliographic record
Abstract
Tutkielmassa käsittelen kansainvälisten korruptiosopimusten sisältöä ja tarkastelen sopimusten velvoitteiden toteutumista Suomen lainsäädännössä. Tutkielman aluksi selvitän myös korruption eri muotoja, ilmiön yleisyyttä ja haittavaikutuksia. Lähdeaineistona tutkielmassa on käytetty oikeuskirjallisuutta, lainvalmisteluaineistoa, oikeustapauksia ja erilaisia kansainvälisiä raportteja. \nVirkamiehen lahjusrikossäännöksillä (RL 40 luku) on vahva kansallinen tausta, ja säännöksiä on sittemmin muutettu kansainvälisiä sopimuksia vastaaviksi. Rikoslaissa on lisäksi säännös lahjusrikkomuksesta (RL 40:3), jolla virkamiehen lahjuksen ottamista säännellään kansainvälisiä vel-voitteita laajemmin. Erityisesti lahjusrikossäännösten sovellettavuus myös ulkomaisiin virkamiehiin on ollut kansainvälisten sopimusten aiheena. Tältä osin Suomen rikoslakia on muutettu useaan otteeseen, ja tuloksena on sopimusten mukainen, mutta melko monimutkainen ulkomaisen viranomaisen määritelmä. Toistaiseksi Suomessa ei ole tuomittu ketään ulkomaista lahjontaa koskevissa tapauksissa. Kansanedustajan lahjusrikossäännökset tulivat vuonna 2002 uutena Suomen rikoslakiin Euroopan neuvoston korruptiosopimuksen voimaansaattamisen yhteydessä. GRECO katsoi Suomessa valitun sääntelytavan sopimuksessa tarkoitettua kapeammaksi, ja säännöstä muutettiin vuonna 2011, jolloin lakiin otettiin myös kansanedustajan lahjusrikosten törkeät tekomuodot. Elinkeinotoiminnan lahjusrikossäännösten (RL 30 luku) soveltaminen on jäänyt vähäiseksi. \nLainvalmistelutöistä ilmenee, ettei kansallista tarvetta korruptiorikosten kriminalisoinnin laajentamiselle nähdä, vaan muutokset tehdään kansainvälisten sopimusvelvoitteiden täyttämiseksi. Tämä näkyy esimerkiksi korruptiosopimusten mukaisen vaikutusvallan kauppaamisen kriminalisoinnin valmistelussa.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.005 | 0.002 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.141 | 0.074 |
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".