Namn att minnas : en undersökning om memorialnamn i Helsingfors
Bibliographic record
Abstract
Tutkielma tarkastelee Helsingin nimistössä esiintyviä muistonimiä eli katujen, puistojen tai muiden kaupunkiympäristöön liittyvien paikkojen nimiä, jotka on nimetty esimerkiksi tunnetun henkilön tai yrityksen mukaan. Tavoitteena on selvittää, millaisia henkilöitä tai asioita muistonimistössä on muistettu, millainen sukupuolijakauma on muistonimissä, jotka kunnioittavat henkilöitä, sekä onko sukupuolijakaumassa nähtävissä muutosta vuosien varrella. Lisäksi tavoitteena on eritellä, missä kaupunginosissa muistonimiä esiintyy ja miten nimet jakautuvat eri kaupunginosien välillä. Tutkimusaineistona on 565 Helsingin nimistössä käytössä olevaa muistonimeä. Nimet on hankittu Helsingin kaupungin karttapalvelun nimirekisteristä. Luonteeltaan tutkimus on kuvaileva tutkimus, jonka tarkoitus on sekä määrällisin että laadullisin menetelmin luoda kokonaiskuva Helsingin muistonimistöstä. Tutkimusaineisto on jaettu kategorioihin sen mukaan, ketä tai mitä muistonimellä on muistettu. Kategorioita on yhteensä 14: henkilöitä kunnioittavat nimet jakautuvat kymmeneen kategoriaan, loput nimet neljään kategoriaan. Tutkimuksen tulokset osoittavat, että selvä enemmistö muistonimistä on annettu henkilöiden muistoksi, ja vain hyvin pieni osa nimistä kunnioittaa yrityksiä, tapahtumia tai vastaavia. Muistonimistössä eniten on kunnioitettu henkilöitä, jotka kuuluvat kategorioihin paikallisesti tunnetut henkilöt, kulttuuri ja taide sekä politiikka ja vallanpitäjät. Nämä kolme kategoriaa sisältävät kaksi kolmasosaa kaikista henkilöiden mukaan nimetyistä muistonimistä. Neljänneksi suurin kategoria on tiede ja koulutus. Kolme vähiten nimiä sisältävää kategoriaa ovat uskonto, urheilu ja hyväntekijät. Muistettujen miesten ja naisten välillä ei ole suuria eroja siinä, millaisia henkilöitä on muistettu. Merkillepantavaa on kuitenkin, että naisia kunnioittavissa nimissä kategorian paikallisesti tunnetut henkilöt osuus on selvästi suurempi kuin miehiä kunnioittavissa. Lisäksi kategoriaan armeija ja sota ei sisälly yhtään naisennimeä eikä kategoria hyväntekijät sisällä yhtään miehennimeä. Eroa on myös lukumäärässä: muistettuja miehiä on huomattavasti enemmän kuin naisia. Yli kolme neljäsosaa nimistä on annettu miesten muistoksi ja vain vajaa viidesosa naisten. Naisten muistoksi annettujen nimien osuudessa on kuitenkin huomattavissa selvä kasvu 1990-luvulta lähtien. Tutkimustuloksista käy myös ilmi, että vaikka suuri osa muistonimistä keskittyykin tiettyihin kaupunginosiin, on nimiä käytetty laajasti ympäri Helsinkiä. Tutkimus osoittaa, että paikallishistorialla on suuri merkitys nimistönsuunnittelussa Helsingissä. Myös Helsingin asemaa kulttuurin, sivistyksen ja vallan keskipisteenä on korostettu muistonimistössä. Lisäksi tuloksista voi nähdä, että vaikka sukupuolten välinen tasa-arvo ei vielä toteudu muistonimistössä, on suunta oikea.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.006 | 0.001 |
| Scholarly communication | 0.009 | 0.004 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.280 | 0.126 |
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".