Mitä on vihapuhe? - Sanoista rikokseksi : vihapuheen määrittelyä poliisin työn näkökulmasta
Bibliographic record
Abstract
Tämä opinnäytetyö käsittelee vihapuhetta ja siihen liittyvää lainsäädännön näkökulmaa. Vihapuhetta ei ole määritelty Suomen lainsäädännössä, eikä rikoslaki suoraa tunnista sitä. Vihapuheella on monimuotoista vaikutusta niin yksilötasolla kuin yhteiskuntarauhankin alueella. Poliisissa vihapuheen tunnistaminen tapahtuu jo esitutkintavaiheessa, jolloin selvitetään, liittyykö tapaukseen vihamotiivia. Vihamotiivi on Suomen lainsäädännössä yksi rangaistuksen koventamisperusteista. \n \nOpinnäytetytössä selvitettiin vihapuhe käsitettä, siihen liittyviä yleisimpiä rikosnimikkeitä ja vihapuhetta rangaistuksen koventamisperusteena. Lisäksi opinnäytetyössä tuotiin esille jokaisen kansalaisen perusoikeuksiin kuuluvaa sananvapautta. Vihapuhetta tarkasteltiin lainopillisesta näkökulmasta ja esimerkkitapauksen kautta. Opinnäytetyön tavoitteena oli tarkastella vihapuhetta poliisin työn näkökulmasta ja koostaa lähdemateriaaleista informatiivinen katsaus aihealueeseen. \n \nOpinnäytetyö toteutettiin kirjallisuuskatsauksena, jonka avulla vihapuhetta pyrittiin selvittämään olemassa olevaan tutkimustietoon perustuen. Tutkimuksen lähdeaineisto koottiin aiheeseen liittyvästä kirjallisuudesta, Suomen lainsäädännöstä, ministeriöiden julkaisuista ja muusta ajankohtaisesta lähdemateriaalista. Opinnäytetytössä tultiin tulokseen, että vihapuhe toimii rangaistuksen koventamisperusteena ja vihapuhe täyttää yleisemmin tiettyjen rikoksien tunnusmerkistöt. Lisäksi vihapuheesta löytyy korkeimman oikeuden ennakkopäätöksiä ja sananvapauden liittyminen vihapuheeseen on ajankohtainen aihe.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.011 | 0.007 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.086 | 0.029 |
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".