Sosiodemografisten ja sosioekonomisten tekijöiden vaikutus äänestysaktiivisuuteen \nSuomessa: Eurovaalit 2019
Bibliographic record
Abstract
Eurovaalien äänestysaktiivisuus on laskenut ensimmäisistä eurovaaleista lähtien. Tässä tutkimuksessa tarkoitukseni on selvittää, miksi eurovaaleissa jätetään äänestämättä. Olen kiinnostunut myös siitä, mitkä sosiodemografiset ja sosioekonomiset tekijät vaikuttavat äänestämättä jättämiseen Suomen eurovaaleissa. Jotta voin sanoa, miksi äänestämättä jätetään juuri eurovaaleissa, vertailen vuoden 2019 Suomen eurovaaleja vuoden 2019 Suomen eduskuntavaaleihin. \n \nTein tutkimuksen hyödyntämällä aiemmasta kirjallisuudesta löydettyjä syitä, tutkimalla Eurobarometreja sekä Tilastokeskuksen rekisteriaineistoja suomalaisten äänestyskäyttäytymisestä. Aiemmasta kirjallisuudesta keskeiseksi nousi teoria toisen asteen vaaleista. Lisäksi löysin eurobarometreista erilaisia vaalikohtaisia syitä, jotka vaikuttavat äänestysaktiivisuuteen. Tutkimusmenetelmänä käytin kuvailevaa kvantitatiivista tutkimusta, jossa vertailin vuoden 2019 eurovaalien ja eduskuntavaalien sosiodemografisia ja sosioekonomisia tekijöitä. Näitä ovat ikä, sukupuoli, koulutus sekä tulotaso. \n \nTutkimuksen tulokset mukailevat pääosin aiemman kirjallisuuden tuloksia. Eurovaaleissa tärkeimmiksi äänestämättä jättämisen syiksi nousee vaalien kiinnostamattomuus, tiedon puute Euroopan unionista sekä tunne yhden äänen riittämättömyydestä. \n \nTutkimuksessa sain selville, että sosiodemografisilla sekä sosioekonomisilla tekijöillä on selkeä yhteys äänestämiseen myös eurovaaleissa. Alhainen koulutustaso, nuori ikä, sekä alhainen tulotaso ovat tekijöitä, joiden takia äänestämättä jätetään eurovaaleissa todennäköisimmin. Nuoret miehet äänestävät huomattavasti vähemmän kuin saman ikäiset naiset. Tilanne kääntyy toisinpäin äänestäjien iän yltäessä yli 50 vuoteen. \n \nÄänestysaktiivisuudessa voidaan huomata joitakin eroja, kun verrataan eduskuntavaalien ja eurovaalien äänioikeutettujen sosiodemografisia ja sosioekonomisia tekijöitä. Molemmissa vaaleissa korkea ikä, korkea koulutus sekä korkea tulotaso nostavat äänestysaktiivisuutta. Toisen asteen koulutuksen käyneet äänestävät melko usein eduskuntavaaleissa verrattuna siihen, miten usein he äänestävät eurovaaleissa. Eduskuntavaaleissa äänestysaktiivisuus nousee tasaisesti tulotason noustessa ylöspäin, mutta eurovaaleissa äänestysaktiivisuus kääntyy nousuun vasta aivan ylimmissä tuloluokissa. Miesten ja naisten äänestysaktiivisuus erot ovat eurovaaleissa pienempiä kuin eduskuntavaaleissa.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.003 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.080 | 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; both teacher heads agree on what is shown here.
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".