Hinnanalennuksen ja vahingonkorvauksen suhde irtaimen kaupassa
Bibliographic record
Abstract
Tämän tutkimuksen tavoitteena on havainnollistaa sitä, kuinka lähellä toisiaan hinnanalennus ja välittömiä vahinkoja koskeva vahingonkorvaus ovat. Hinnanalennuksen laskentamenetelmä on liian monimutkainen toimiakseen käytännössä, jonka vuoksi hinnanalennuksen suuruus määrätään usein suhteessa korjauskustannuksiin. Tämä korjauskustannuksiin perustuva hinnanalennus muistuttaa hyvin paljon vahingonkorvausta. Koska perinteistä hinnanalennusta tavataan vain harvoin, ei ole itsestään selvää tarvitsemmeko edes koko hinnanalennusinstituutiota.\n\nKauppalaki ja kuluttajansuojalaki muodostavat lähtökohdan, kun verrataan vahingonkorvauksen ja hinnanalennuksen suhdetta. Suoraa vastausta ei kuitenkaan aina ole löydetty suoraan laista, jolloin on käytetty apuna oikeustapauksia sekä oikeuskirjallisuutta. Lähteitä on pyritty käyttämään johdonmukaisesti siten, että saataisiin erilaisia näkökulmia hinnanalennuksen ja vahingonkorvauksen suhteesta. Hinnanalennus ei ole saanut samaa painoarvoa kirjallisuudessa kuin vahingonkorvaus, joten SisulaTulokkaan kirjoittama tutkimus hinnanalennuksesta on toiminut suurena apuna tätä tutkimusta tehtäessä. Tutkielmaa tehtäessä on havaittu, että hinnanalennus ja vahingonkorvaus pystytään teoriassa erottamaan toisistaan, mutta käytännössä tämä ei ole yhtä helppoa. Avainkysymykseksi nouseekin onko näiden seuraamusten välillä ratkaisevia eroja. Usein sitä on vaikeaa nähdä, jonka vuoksi hinnanalennuksen tarvetta tulisi harkita. Esimerkiksi vastuuperusteiden ja korvausten määrittely saattaisi helpottua, jos vahingonkorvaus ja hinnanalennus yhdistettäisiin yhdeksi ja samaksi seuraamukseksi. Seuraamuksen oikeudellinen luonnehdinta myös helpottuisi, jos nämä seuraamukset yhdistettäisi. Ei olisi enää ongelmaa siitä, että kutsuttaisiko seuraamusta hinnanalennukseksi vai vahingonkorvaukseksi.
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 | 0.001 |
| Science and technology studies | 0.005 | 0.002 |
| Scholarly communication | 0.008 | 0.005 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.102 | 0.034 |
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".