”En ussel og foragtelig tilværelse” - Overtalelse og overbevisning i læreboktekster om rus de siste hundre år
Bibliographic record
Abstract
I over hundre år har rus og rusmiddelbruk vært tema i norske lærebøker. På denne tiden har rusvirkeligheten forandret seg drastisk, det samme har lærebøkene. Denne oppgaven tar for seg hvordan lærebøkenes formidling av rus-tematikken har utviklet seg. Studien fokuserer på hvordan lærebøkene etablerer og stadfester virkelighetsbilder om rus og rusmiddelbrukere. Disse virkelighetsbildene sees i lys av Chaïm Perelman og Lucie Olbrechts-Tytecas teorier om det retoriske publikum, og anvender retorisk kritikk til å undersøke hvordan de topoi lærebøkene benytter, er med på å overtale og overbevise leserne. \n Studien viser at lærebøkene fram til og med 1960-tallet fokuserte på bekjempelsen av fyllekultur og festdrikking, og ikke storkonsum av alkohol. De siste femti årene viser studien at alkohol undervurderes som rusmiddel, og at lærebøkene i større grad problematiserer stort kvantitativt konsum av alkohol, framfor beruselses kvalitative effekt på brukeren. Samtidig som farene knyttet til alkoholberuselse undervurderes, ser vi at farene knyttet til narkotikarus overvurderes. Dette innebærer ikke bare at leserne får et misvisende bilde av farene knyttet til de legale og de illegale rusmidlene, men også at alle de narkotiske stoffene skjæres over én kam. Dermed kan det se ut som om lærebøkenes beskrivelse av rusmidlene dikteres ut fra moralske aspekter ved rusmiddelbruken, og ikke ut i fra et skade- og risikoperspektiv. Dette er problematisk, ettersom alkohol regnes som det desidert farligste rusmiddelet vi har, både fordi det er så utbredt, men ikke minst fordi alkoholbruk rammer uskyldige, det være seg familie, barn, medruss eller tilfeldige voldsofre. \n\n Et av studiens hovedfunn er at lærebokforfatterne ikke bare henvender seg til et universelt publikum, men at det også i mange tilfeller henvender seg til det Perelman og Olbrechts-Tyteca kaller det elitære publikum, mennesker som kan ses på som dydsmønstre, som ikke viser normoverskridende atferd. Dette fører til at det opprettholdes et fordomsfullt og stereotypisk bilde av rusmiddelavhengige, samt at problematisk atferd knyttet til de lovlige rusmidlene ikke belyses i tilstrekkelig grad.
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 | 0.004 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.067 | 0.024 |
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".