Henkirikosuutisoinnin asiantuntijana siivouskuningatar : Iltapäivälehtien käyttämät asiantuntijalähteet Ullanlinnan murhan rikosuutisoinnissa
Bibliographic record
Abstract
Ullanlinnassa vuonna 2022 tapahtunut murha keräsi laajaa medianäkyvyyttä etenkin kahdessa Suomen suurimmassa iltapäivälehdessä. Henkirikoksista kirjoittaminen vaatiikin toimittajilta erityistä sensitiivisyyttä ja tilannetajua, koska uutisointi saattaa vaikuttaa raskaasti erityisesti uhrin läheisiin. Kandidaatintutkielmani tarkoituksena on selvittää, ketkä pääsevät kommentoimaan julkisesti iltapäivälehtien henkirikosuutisoinnissa erittäin brutaalisti tehtyä murhaa. Tutkimuskysymykseni ovat 1) Mitä asiantuntijalähteitä iltapäivälehdet hyödyntävät henkirikosuutisoinnissa? 2) Miten uskottavia iltapäivälehtien henkirikosuutisoinnissa käyttämät asiantuntijalähteet ovat? Pohdin samalla voiko erilaisten asiantuntijoiden valinnat lisätä henkirikosuutisoinnin viihteellisyyttä. Analysoin tutkielmassa kriittistä diskurssitutkimusta hyödyntäen erilaisten asiantuntijoiden puheäänien uskottavuutta. Pohjaan analyysin Howard Beckerin luomaan teoriaa uskottavuuden hierarkiasta. Tutkimusaineisto koostui yhteensä 40 verkkoartikkelista, jotka oli kerätty kahdesta Suomen suosituimmasta iltapäivälehdestä, eli Iltalehdestä ja Ilta-Sanomista. Valitsin iltapäivälehdet tutkimukseni kohteiksi, koska tabloidijournalismissa ne yhdistetään sensaationhakuisiksi medioiksi. Tulosten perusteella suurin osa iltapäivälehtien käyttämistä asiantuntijoista edusti uskottavuuden hierarkiassa korkealla olevaa asiantuntijuuden puheääntä. Puolestaan epävirallisten lähteiden ja julkisuuden henkilöiden hyödyntäminen artikkeleissa toi henkirikosuutisointiin enemmän viihteellisiä elementtejä kuin perinteistä tutkimuksiin tai korkeaan koulutukseen pohjautuvaa asiantuntijuuden tietoa.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.007 | 0.002 |
| Scholarly communication | 0.000 | 0.002 |
| Open science | 0.003 | 0.000 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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 teacher head, 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".