Kansanedustajien argumentointi euromaiden kriisipaketeista
Bibliographic record
Abstract
Suomesta tuli euroalueen jäsen ensimmäisten joukossa vuonna 1999. Rahaliiton ongelmat konkretisoituivat keväällä 2010, jolloin Kreikka tarvitsi muiden euromaiden avustusta. Kreikan jälkeen Suomen eduskunta on vuosina 2010-2012 päättänyt Suomen osallistumisesta myös Irlannin, Portugalin ja Espanjan pankkien tukipaketteihin sekä jo toistamiseen Kreikan avustamisesta. Käyn läpi kuusi eduskunnan täysistunnon keskustelua viidestä kriisimaiden tukipaketista. Metodina olen käyttänyt Chaïm Perelmanin uutta retoriikkaa. Olen tutkinut, millaista argumentointia kansanedustajat käyttävät hyväkseen, kun perustelevat omaa kantaansa kriisimaiden tukemiseen.Olen jakanut kansanedustajien kriisipaketteja puolustavat ja vastustavat puheenvuorot erilaisten jakolinjojen alle kuten hallitus-oppositio, vasemmisto-oikeisto, perussuomalaiset ja muut ja puolueiden sisäiset jakolinjat. Tutkimustulokseni on, että eniten kansanedustajan argumentoinnissa painaa se, onko hän puhehetkellä hallitus- vai oppositiopuolueen kansanedustaja. Yleisin peruste sekä tukea että vastustaa kriisipaketteja on Suomen ja suomalaisten etu. Argumentoinnissa käytetään hyväksi historiaa kuten Suomen 1990-luvun alun lamaa ja vertailua muiden maiden ratkaisuihin. Kun kansanedustajan asema on vaihtunut oppositiosta hallituspuolueen edustajaksi tai päinvastoin, hänen on pitänyt argumentoida yleisölle, miksi on eri mieltä kuin aiemmin. Erityisesti vasemmistopuolueiden edustajat käyttävät hyväkseen termejä sijoittajavastuu ja vakuudet. Kun nämä ehdot ovat lainoissa toteutuneet, heillä on mielestään ollut peruste vaihtaa kantaansa. Vaikka hallitus-oppositio-asema onkin merkittävin peruste vastustaa tai tukea kriisipaketteja, kansanedustajat koettavat argumentoinnissaan säilyttää myös oman poliittisen ideologiansa ja tehdä argumentoinnilla eroa muihin. Asiasanat: eurokriisi
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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.010 | 0.006 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.047 | 0.007 |
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".