Yksi sana, koko laki — mitä ‘käännytyslaki’ oikeasti sisältää – Kristian Vepsäläinen

Idea. Sloganini on “maailma on jakauma”: yksittäinen luku tai yksittäinen sana kätkee yleensä enemmän kuin se paljastaa. Harva asia todistaa tämän yhtä hyvin kuin laki, joka julkisessa keskustelussa typistyy yhteen sanaan. Otamme sellaisen lain, avaamme sen tekstin pykälä pykälältä, ja katsomme minkä jakauman se oikeasti muodostaa.

Uutiskoukku: laki, joka mahtuu yhteen sanaan

Kesällä 2024 eduskunta hyväksyi äänin 167–31 lain, joka tunnetaan julkisuudessa nimellä “käännytyslaki”. Sen virallinen nimi on pidempi ja kertoo enemmän: laki väliaikaisista toimenpiteistä välineellistetyn maahantulon torjumiseksi (säädösnumero 482/2024). Yksi sana — “käännytys” — on jäänyt elämään sen tilalle.

Mutta laki ei ole sana. Se on teksti, joka jakautuu pykäliin, ja jokainen pykälä käsittelee jotakin. Kysymme yksinkertaisen kysymyksen: kun luetaan koko laki, mistä se oikeasti koostuu? Ja koska tämä on juuri sellainen jakauma, jonka yksi otsikko piilottaa, mittaamme sen — emmekä yhdellä luvulla vaan epävarmuus näkyvissä.

Kolme tapaa mitata “mistä laki kertoo”

“Kuinka suuri osa laista käsittelee turvatakeita?” kuulostaa yksinkertaiselta, mutta vastaus riippuu mittarista. Käytämme kolmea, koska niiden vertailu on itsessään opettavaista:

Tekoälyn havainnot. Syötin lain Skimle-nimiseen teemoitustyökaluun, joka poimi tekstistä 15 “havaintoa” ja luokitteli ne viiteen teemaan. Tämä on nopea, mutta se on mallin tuotos: kone päättää, montako havaintoa mistäkin teemasta syntyy.
Pykälät. Kuinka moni lain pykälä käsittelee kutakin teemaa. Tämä on lain oma rakenne — läpinäkyvä ja tarkistettava.
Sanat. Kuinka suuri osa lain sanamäärästä kuuluu kunkin teeman pykäliin. Tämä painottaa laajasti käsitellyt asiat pieniä mainintoja enemmän.

Mikään näistä ei ole “oikea”; ne mittaavat eri asioita. Mutta jos ne antavat saman kuvan, kuva on vankka. Jos ne eroavat, ero on itsessään tulos.

Mikä on pykälä?

Pykälä (§) on lain perusyksikkö — yksi numeroitu kohta, joka säätää yhdestä asiasta. Esimerkiksi “5 §” voi käsitellä maasta poistamisen edellytyksiä ja “7 §” muutoksenhakua. Laki rakentuu peräkkäisistä pykälistä, ja niiden lukumäärä ja sisältö kertovat, mihin laki todella keskittyy. Tässä analyysissa jokainen pykälä on yksi havainto.

Datan haku: laki pykälittäin finlex-paketilla

Haemme lain suoraan Finlexin avoimesta datasta omalla finlex-paketillani. Funktio flx_get_text() palauttaa lain valmiiksi pykäliin jaettuna — yksi rivi per pykälä, mukana pykälän otsikko ja koko teksti. Emme siis joudu itse pilkkomaan tekstiä; Finlexin rakenteinen data (Akoma Ntoso -muoto) tekee sen puolestamme.

Näytä koodi

library(tidyverse)
library(here)
library(finlex)   # oma paketti: install.packages("finlex")
library(qs2)
library(ggdist)
library(scales)
library(patchwork)
select <- dplyr::select; filter <- dplyr::filter
set.seed(20270418)

pal <- c(punainen="#e63946", turkoosi="#2a9d8f", oranssi="#f4a261",
         laivasto="#1d3557", sininen="#457b9d")
theme_set(theme_minimal(base_size = 13) +
  theme(plot.title = element_text(face="bold"), plot.subtitle = element_text(color="grey30"),
        panel.grid.minor = element_blank(), legend.position = "top"))

DATA <- here("data", "valineellistetty-maahantulo")
dir.create(DATA, recursive = TRUE, showWarnings = FALSE)

VUOSI <- 2024L; NUMERO <- 482L

Näytä koodi

laki_path <- file.path(DATA, "laki_482_2024.qs")
if (!file.exists(laki_path)) {
  laki <- flx_get_text(year = VUOSI, number = NUMERO)   # alkuperäinen, pykälittäin
  qs2::qs_save(laki, laki_path)
}
laki <- qs2::qs_read(laki_path)

# Eheystarkastukset: haku onnistui ja pykäliä on järkevä määrä
stopifnot(
  "finlex-haku epäonnistui"        = all(laki$status == "ok") || any(laki$status == "ok"),
  "Pykäliä ei löytynyt"            = sum(!is.na(laki$text)) >= 5,
  "Odotetut sarakkeet puuttuvat"   = all(c("section_index","heading","text") %in% names(laki)))

laki <- laki |> filter(status == "ok", !is.na(text)) |> arrange(section_index)
glimpse(laki)

Rows: 7
Columns: 7
$ year          <int> 2024, 2024, 2024, 2024, 2024, 2024, 2024
$ number        <int> 482, 482, 482, 482, 482, 482, 482
$ status        <chr> "ok", "ok", "ok", "ok", "ok", "ok", "ok"
$ section_index <int> 1, 2, 3, 4, 5, 6, 7
$ section_id    <chr> "sec_1", "sec_2", "sec_3", "sec_4", "sec_5", "sec_6", "s…
$ heading       <chr> "Lain tarkoitus", "Lain soveltamisala", "Kansainvälistä …
$ text          <chr> "1 §Lain tarkoitusTämän lain tarkoituksena on torjua vie…

Näytä koodi

meta_path <- file.path(DATA, "meta_482_2024.qs")
if (!file.exists(meta_path)) qs2::qs_save(flx_get_metadata(VUOSI, NUMERO), meta_path)
meta <- qs2::qs_read(meta_path)
meta |> select(title, date_issued, n_sections)

# A tibble: 1 × 3
  title                                                   date_issued n_sections
  <chr>                                                   <date>           <int>
1 Laki väliaikaisista toimenpiteistä välineellistetyn ma… 2024-07-16           7

Laki on Laki väliaikaisista toimenpiteistä välineellistetyn maahantulon torjumiseksi, annettu 16.07.2024, ja se sisältää 7 pykälää, joissa on tekstiä. Nyt luokittelemme jokaisen pykälän.

Pykälien luokittelu — läpinäkyvästi

Käytämme samoja viittä teemaa, jotka tekoälytyökalu tunnisti, jotta mittarit ovat vertailukelpoisia. Luokittelu tehdään sääntöpohjaisesti: jokaiselle teemalle on joukko avainsanoja, ja pykälä osoitetaan siihen teemaan, jonka avainsanoja sen otsikossa ja tekstissä esiintyy eniten.

Tämä on tulkinta — ja siksi se on näkyvissä

Avainsanakartta on minun valintani, ei lain eikä Finlexin. Esitän sen kokonaisuudessaan koodissa, jotta kuka tahansa voi tarkistaa ja muuttaa sitä. En piilota tulkintaa mallin sisään. Tämä on olennainen ero tekoälyteemoitukseen: siellä luokittelun logiikka on näkymätön, tässä se on rivi riviltä luettavissa.

Näytä koodi

teema_avainsanat <- list(
  "Lain tarkoitus ja soveltamisala" =
    c("tarkoitus","sovelletaan","soveltamisala","määritelm","voimaantulo","voimassa"),
  "Hakemusten rajoittaminen" =
    c("rajoittaa","rajoittamis","rajoitus","valtioneuvost","päättää rajoit","kuukauden ajaksi"),
  "Maahanpääsyn estäminen ja maasta poistaminen" =
    c("maahanpääsy","estetään","poistetaan","maasta poistam","torju","tunkeutumis","viipymättä"),
  "Poikkeukset haavoittuville" =
    c("poiketen","poikkeus","haavoittuva","lapsen etu","vammais","otetaan vastaan","kidutuks","kuolemanrangaist"),
  "Uudelleenarviointi ja oikeusturva" =
    c("uudelleenarvioin","muutoksenhak","oikeusturva","ilmoitettava","kuulemis","hallintolai","kirjallisesti","täytäntöön"))

luokittele_pykala <- function(txt) {
  t <- str_to_lower(txt)
  pisteet <- map_int(teema_avainsanat, \(sanat) sum(str_count(t, str_to_lower(sanat))))
  if (max(pisteet) == 0) return("Muu (luokittelematon)")
  names(pisteet)[which.max(pisteet)]
}

laki_luok <- laki |>
  mutate(teema = map_chr(text, luokittele_pykala),
         sanat = str_count(text, "\\S+"))    # sanamäärä per pykälä

# Laatuvartija: liikaa luokittelematonta -> avainsanoja pitää laajentaa
muu_osuus <- mean(laki_luok$teema == "Muu (luokittelematon)")
stopifnot("Liikaa luokittelemattomia pykäliä — laajenna avainsanoja" = muu_osuus < 0.30)
message("Luokittelemattomia pykäliä: ", percent(muu_osuus, 0.1))

laki_luok |> select(section_index, heading, teema, sanat) |> print(n = Inf)

# A tibble: 7 × 4
  section_index heading                                              teema sanat
          <int> <chr>                                                <chr> <int>
1             1 Lain tarkoitus                                       Lain…    16
2             2 Lain soveltamisala                                   Lain…    24
3             3 Kansainvälistä suojelua koskevien hakemusten vastaa… Hake…   190
4             4 Maahanpääsyn estäminen ja maasta poistaminen         Maah…   185
5             5 Poikkeukset                                          Poik…   243
6             6 Poikkeukselliset tilanteet                           Maah…    38
7             7 Voimaantulo                                          Lain…    14

Jakauma ensin: kolme mittaa rinnakkain

Nyt vertaamme kolmea mittaa samassa kuvassa: tekoälyn havainnot, pykälien osuus ja sanojen osuus. Jokainen on osuus, eli kunkin teeman siivu kokonaisuudesta.

Näytä koodi

teemat_jarjestys <- c("Lain tarkoitus ja soveltamisala","Hakemusten rajoittaminen",
  "Maahanpääsyn estäminen ja maasta poistaminen","Poikkeukset haavoittuville",
  "Uudelleenarviointi ja oikeusturva")

# 1) Skimlen havainnot (annettu aineisto)
skimle <- tribble(
  ~teema, ~havainnot,
  "Maahanpääsyn estäminen ja maasta poistaminen", 4,
  "Poikkeukset haavoittuville",                    4,
  "Uudelleenarviointi ja oikeusturva",             3,
  "Lain tarkoitus ja soveltamisala",               2,
  "Hakemusten rajoittaminen",                       2)

# 2) & 3) Pykälät ja sanat finlex-datasta
oma <- laki_luok |> filter(teema != "Muu (luokittelematon)") |>
  group_by(teema) |> summarise(pykalat = n(), sanat = sum(sanat), .groups = "drop")

vrt <- skimle |>
  full_join(oma, by = "teema") |>
  mutate(across(c(havainnot, pykalat, sanat), \(x) replace_na(x, 0))) |>
  transmute(teema,
            `Tekoäly (havainnot)` = havainnot / sum(havainnot),
            `Pykälät`             = pykalat   / sum(pykalat),
            `Sanat`               = sanat     / sum(sanat)) |>
  pivot_longer(-teema, names_to = "mittari", values_to = "osuus") |>
  mutate(teema = factor(teema, levels = rev(teemat_jarjestys)),
         mittari = factor(mittari, levels = c("Tekoäly (havainnot)","Pykälät","Sanat")))

ggplot(vrt, aes(x = osuus, y = teema, fill = mittari)) +
  geom_col(position = position_dodge(.8), width = .7) +
  scale_x_continuous(labels = label_percent()) +
  scale_fill_manual(values = unname(pal[c(4,2,3)])) +
  labs(title = "Mistä laki kertoo? Kolme mittaa samasta laista",
       subtitle = "Kunkin teeman osuus kokonaisuudesta — mittari vaikuttaa kuvaan",
       x = "Osuus", y = NULL, fill = NULL)

Tästä näkee heti sen, mitä yksi otsikko ei kertoisi: turvatakkeiksi luettavat teemat — haavoittuvien poikkeukset ja uudelleenarviointi/oikeusturva — muodostavat huomattavan osan laista kaikilla kolmella mittarilla. Laki, joka tunnetaan “käännytyksestä”, käyttää suuren osan tekstistään sen rajaamiseen, kenen kohdalla käännytystä ei sovelleta ja miten päätöksestä voi valittaa.

Turvatakeiden osuus — piste ei riitä, väli kertoo enemmän

Tässä sloganini ydin. Sanotaan, että jaamme teemat karkeasti kahtia: rajoittavat (tarkoitus, hakemusten rajoittaminen, maahanpääsyn estäminen) ja turvatakeet (haavoittuvien poikkeukset, uudelleenarviointi). Kuinka suuri osa laista on turvatakeita?

Vastaus ei ole yksi luku, koska havaintoja on vähän. Käytämme bayeslaista arviota (Dirichlet–Beta), joka antaa pisteen sijaan uskottavuusvälin: alueen, jonka sisällä todellinen osuus uskottavasti on.

Miksi uskottavuusväli, ei pelkkä prosentti?

Jos poimimme 15 havaintoa ja 7 niistä on turvatakeita, “47 %” on paras arvaus. Mutta 15 havaintoa on vähän — toisella lukukerralla luku voisi hyvin olla 40 % tai 55 %. Uskottavuusväli mittaa tämän epävarmuuden ja näyttää sen rehellisesti. Kapea väli tarkoittaisi varmuutta, leveä väli epävarmuutta. Pelkkä prosenttiluku teeskentelisi varmuutta, jota meillä ei ole.

Näytä koodi

ryhma <- tibble(
  teema = teemat_jarjestys,
  ryhma = c("Rajoittava","Rajoittava","Rajoittava","Turvatakeet","Turvatakeet"))

# Sama laskenta kolmelle mittarille -> Beta-väli turvatakeiden osuudelle
osuus_vali <- function(k, n) {
  a <- 1 + k; b <- 1 + (n - k)   # Dirichlet(1,1)-priori
  tibble(piste = k/n, lo = qbeta(.025, a, b), hi = qbeta(.975, a, b))
}

mittarit <- list(
  "Tekoäly (havainnot)" = skimle |> left_join(ryhma, by="teema") |>
     summarise(k = sum(havainnot[ryhma=="Turvatakeet"]), n = sum(havainnot)),
  "Pykälät" = oma |> left_join(ryhma, by="teema") |>
     summarise(k = sum(pykalat[ryhma=="Turvatakeet"]), n = sum(pykalat)),
  "Sanat" = oma |> left_join(ryhma, by="teema") |>
     summarise(k = sum(sanat[ryhma=="Turvatakeet"]),   n = sum(sanat)))

turva <- imap_dfr(mittarit, \(d, nimi) osuus_vali(d$k, d$n) |> mutate(mittari = nimi)) |>
  mutate(mittari = factor(mittari, levels = c("Tekoäly (havainnot)","Pykälät","Sanat")))

ggplot(turva, aes(x = piste, y = fct_rev(mittari), color = mittari)) +
  geom_pointinterval(aes(xmin = lo, xmax = hi), linewidth = 1.2, point_size = 3) +
  geom_vline(xintercept = .5, linetype = "dashed", color = "grey50") +
  scale_x_continuous(labels = label_percent(), limits = c(0,1)) +
  scale_color_manual(values = unname(pal[c(4,2,3)]), guide = "none") +
  labs(title = "Kuinka suuri osa laista on turvatakeita?",
       subtitle = "Piste = paras arvio, jana = 95 % uskottavuusväli · katkoviiva = puolet laista",
       x = "Turvatakeiden osuus", y = NULL)

Katso janoja, älä pisteitä. Kaikilla kolmella mittarilla turvatakeiden osuus on merkittävä, mutta epävarmuus on suuri — erityisesti tekoälyn havainnoilla, joilla väli ulottuu reilusti puolen molemmin puolin. Emme siis voi sanoa “laki on täsmälleen puoliksi turvatakeita”. Voimme sanoa jotain vahvempaa ja rehellisempää: turvatakeet ovat iso, mitattava osa lakia — eivät sivuhuomautus. Se riittää kumoamaan yhden sanan antaman kuvan.

Ovatko mittarit samaa mieltä? Tilastollinen testi

Tekoälyn havainnot ja lain pykälät ovat kaksi riippumatonta tapaa mitata sama asia. Jos ne antavat tilastollisesti saman jakauman, tulos on vankka. Testaamme tätä khii-neliö-yhteensopivuustestillä.

Näytä koodi

vertailu_taulu <- skimle |> rename(Tekoäly = havainnot) |>
  full_join(oma |> select(teema, Pykälät = pykalat), by = "teema") |>
  mutate(across(c(Tekoäly, Pykälät), \(x) replace_na(x, 0))) |>
  filter(Tekoäly + Pykälät > 0)

# Yhteensopivuus: noudattavatko pykälät samaa jakaumaa kuin tekoälyn havainnot?
odotettu_p <- vertailu_taulu$Tekoäly / sum(vertailu_taulu$Tekoäly)
khi <- suppressWarnings(chisq.test(x = vertailu_taulu$Pykälät, p = odotettu_p, rescale.p = TRUE))
cramers_v <- sqrt(unname(khi$statistic) / sum(vertailu_taulu$Pykälät) /
                  (nrow(vertailu_taulu) - 1))
tibble(khi2 = round(unname(khi$statistic),2), df = unname(khi$parameter),
       p = round(khi$p.value,3), cramers_V = round(cramers_v,3))

# A tibble: 1 × 4
   khi2    df     p cramers_V
  <dbl> <dbl> <dbl>     <dbl>
1  6.39     4 0.172     0.478

Miten tätä p-arvoa luetaan

Suuri p-arvo (yli 0,05) tarkoittaa tässä hyvää uutista: emme löydä todisteita siitä, että pykäläjakauma ja tekoälyn havaintojakauma eroaisivat. Toisin sanoen kaksi riippumatonta mittaria kertovat saman tarinan — mikä lisää luottamusta siihen, että teemajakauma on todellinen eikä yhden mittarin oikku. Pieni p-arvo taas kertoisi, että mittarit ovat eri mieltä ja jompaakumpaa pitää tulkita varovasti. Efektikoko (Cramérin V) kertoo eron suuruuden pelkän merkitsevyyden ohi.

Counterfactual: muuttiko myöhempi muutos tasapainoa?

Lakia 482/2024 muutettiin myöhemmin. finlex-paketin flx_get_consolidated_text() antaa lain konsolidoidun eli tällä hetkellä voimassa olevan tekstin, johon muutokset on sulautettu. Vertaamme alkuperäistä ja voimassa olevaa versiota: siirsikö muutos lain painopistettä rajoittavampaan vai turvatakeiden suuntaan? Tämä on konkreettinen counterfactual — “miltä laki näyttäisi ilman muutosta” vs. “miltä se näyttää nyt”.

Näytä koodi

kons_path <- file.path(DATA, "laki_konsolidoitu.qs")
if (!file.exists(kons_path)) qs2::qs_save(flx_get_consolidated_text(VUOSI, NUMERO), kons_path)
kons <- qs2::qs_read(kons_path)

vertaa_versiot <- function(df, versio) {
  df |> filter(status == "ok", !is.na(text)) |>
    mutate(teema = map_chr(text, luokittele_pykala)) |>
    filter(teema != "Muu (luokittelematon)") |>
    left_join(ryhma, by = "teema") |>
    summarise(k = sum(ryhma == "Turvatakeet"), n = n()) |>
    mutate(versio = versio) |> rowwise() |>
    mutate(osuus_vali(k, n)) |> ungroup()
}

cf <- bind_rows(
  vertaa_versiot(laki, "Alkuperäinen (2024)"),
  if (any(kons$status == "ok")) vertaa_versiot(kons, "Voimassa oleva (konsolidoitu)")
)

if (nrow(cf) >= 2) {
  ggplot(cf, aes(x = piste, y = versio, color = versio)) +
    geom_pointinterval(aes(xmin = lo, xmax = hi), linewidth = 1.2, point_size = 3) +
    scale_x_continuous(labels = label_percent(), limits = c(0,1)) +
    scale_color_manual(values = unname(pal[c(5,1)]), guide = "none") +
    labs(title = "Muuttiko lakimuutos turvatakeiden osuutta?",
         subtitle = "Turvatakeiden osuus pykälistä, 95 % uskottavuusväli",
         x = "Turvatakeiden osuus", y = NULL)
} else {
  message("Konsolidoitua versiota ei saatavilla — counterfactual ohitetaan.")
}

Jos välit menevät päällekkäin

Jos alkuperäisen ja voimassa olevan version uskottavuusvälit menevät päällekkäin, tulkinta on: muutos ei siirtänyt lain tasapainoa havaittavasti. Vasta selvästi erilleen menevät välit kertoisivat todellisesta painopisteen siirtymästä. Tämä on rehellinen tapa vertailla — ei “muuttui/ei muuttunut” vaan kuinka varmoja voimme olla.

Faktalaatikko: mitä on “välineellistetty maahantulo”?

Tausta tutkimuskirjallisuudesta

Lain käsittelemä ilmiö — valtion tarkoituksellinen maahantulon käyttö painostuksen välineenä — on tunnettu kansainvälisen politiikan tutkimuksessa. Käsitteen vakiintunut lähde on Kelly M. Greenhillin teos Weapons of Mass Migration: Forced Displacement, Coercion, and Foreign Policy (Cornell University Press, 2010), joka dokumentoi kymmeniä tapauksia, joissa valtiot ovat käyttäneet väestöliikkeitä ulkopoliittisena painostuskeinona.

Evidenssin luonteesta rehellisesti: tämä kirjallisuus on laadullista tapaus- ja vertailututkimusta, ei kokeellista tai meta-analyyttista. Ilmiön luonteen vuoksi satunnaistettuja asetelmia ei ole, joten emme voi esittää meta-analyysin kaltaista yhteenvetoa vaikuttavuudesta. Se on syytä sanoa: taustan varmuus on eri luokkaa kuin itse lakitekstin, jonka mittaamme suoraan.

Mitä tämä tarkoittaa päättäjälle

Yksi sana ei ole laki. “Käännytyslaki” on otsikko, ei sisältö. Kun teksti luetaan pykälä pykälältä, turvatakeet ovat iso osa lakia — ei sivuhuomautus.
Mittari muokkaa kuvaa. Sama laki näyttää hieman erilaiselta riippuen siitä, lasketaanko havaintoja, pykäliä vai sanoja. Rehellinen analyysi näyttää useamman mittarin, ei valitse itselleen sopivinta.
Epävarmuus kuuluu tulokseen. Vähäisestä datasta ei saa tarkkaa prosenttia, ja sen teeskentely olisi harhaanjohtavaa. Uskottavuusväli kertoo, kuinka pitkälle johtopäätöksen voi viedä.
Rakenteinen avoin data on tässä ratkaisu. Koko analyysi nojaa Finlexin avoimeen dataan, joka on koneluettavassa muodossa — kuka tahansa voi toistaa sen.

Näin voit hyödyntää tätä käytännössä

Sama menetelmä toimii mille tahansa pitkälle asiakirjalle, joka julkisuudessa typistyy yhteen leimaan: sopimus, säädös, lausunto, poliittinen ohjelma. Pilko se rakenneosiin, luokittele ne läpinäkyvästi, ja mittaa jakauma epävarmuuksineen. Se korvaa mielikuvan mitatulla rakenteella — ja paljastaa, milloin otsikko ja sisältö ovat eri mieltä.

Tehdäänkö teidän datallenne sama?

Autan organisaatioita korvaamaan yhden luvun tai yhden leiman mitatulla jakaumalla — sopimuksissa, säädösvalvonnassa, riskiraporteissa tai missä tahansa, missä pitkä dokumentti typistyy pisteeksi. Rakenteisesta avoimesta datasta, epävarmuus näkyvissä, täysin toistettavasti. Otetaan yhteyttä: kristianvepsalainen.com.

Datalähde: Finlex, avoin data (CC BY 4.0), haettu finlex-R-paketilla. Teemoituksen vertailuaineisto: Skimle-analyysityökalu. Luokittelu ja mahdolliset virheet ovat omiani.

--- title: "Yksi sana, koko laki — mitä 'käännytyslaki' oikeasti sisältää" subtitle: "Laki jakaumana: teemat lain omasta tekstistä, ei otsikosta" description: > Laki 482/2024 tunnetaan julkisuudessa yhtenä sanana. Mutta laki on teksti, ja teksti on jakauma teemoja. Haemme lain finlex-paketilla pykälittäin, luokittelemme jokaisen pykälän, ja vertaamme tulosta tekoälytyökalun (Skimle) teemoitukseen — epävarmuus näkyvissä. date: 2026-09-24 author: "Kristian Vepsäläinen" categories: [avoin data, finlex, jakaumat, bayes, lainsäädäntö] format: html: toc: true toc-title: "Sisällys" code-fold: true code-summary: "Näytä koodi" code-tools: true execute: { warning: false, message: false, echo: true } --- > **Idea.** Sloganini on "maailma on jakauma": yksittäinen luku tai yksittäinen sana > kätkee yleensä enemmän kuin se paljastaa. Harva asia todistaa tämän yhtä hyvin kuin > laki, joka julkisessa keskustelussa typistyy yhteen sanaan. Otamme sellaisen lain, > avaamme sen tekstin pykälä pykälältä, ja katsomme minkä jakauman se oikeasti > muodostaa. ## Uutiskoukku: laki, joka mahtuu yhteen sanaan Kesällä 2024 eduskunta hyväksyi äänin 167–31 lain, joka tunnetaan julkisuudessa nimellä "käännytyslaki". Sen virallinen nimi on pidempi ja kertoo enemmän: *laki väliaikaisista toimenpiteistä välineellistetyn maahantulon torjumiseksi* (säädösnumero 482/2024). Yksi sana — "käännytys" — on jäänyt elämään sen tilalle. Mutta laki ei ole sana. Se on **teksti**, joka jakautuu pykäliin, ja jokainen pykälä käsittelee jotakin. Kysymme yksinkertaisen kysymyksen: kun luetaan koko laki, mistä se oikeasti koostuu? Ja koska tämä on juuri sellainen jakauma, jonka yksi otsikko piilottaa, mittaamme sen — emmekä yhdellä luvulla vaan epävarmuus näkyvissä. ## Kolme tapaa mitata "mistä laki kertoo" "Kuinka suuri osa laista käsittelee turvatakeita?" kuulostaa yksinkertaiselta, mutta vastaus riippuu **mittarista**. Käytämme kolmea, koska niiden vertailu on itsessään opettavaista: 1. **Tekoälyn havainnot.** Syötin lain Skimle-nimiseen teemoitustyökaluun, joka poimi tekstistä 15 "havaintoa" ja luokitteli ne viiteen teemaan. Tämä on nopea, mutta se on **mallin tuotos**: kone päättää, montako havaintoa mistäkin teemasta syntyy. 2. **Pykälät.** Kuinka moni lain pykälä käsittelee kutakin teemaa. Tämä on lain oma rakenne — läpinäkyvä ja tarkistettava. 3. **Sanat.** Kuinka suuri osa lain sanamäärästä kuuluu kunkin teeman pykäliin. Tämä painottaa laajasti käsitellyt asiat pieniä mainintoja enemmän. Mikään näistä ei ole "oikea"; ne mittaavat eri asioita. Mutta jos ne antavat saman kuvan, kuva on vankka. Jos ne eroavat, ero on itsessään tulos. ::: {.callout-note title="Mikä on pykälä?"} Pykälä (§) on lain perusyksikkö — yksi numeroitu kohta, joka säätää yhdestä asiasta. Esimerkiksi "5 §" voi käsitellä maasta poistamisen edellytyksiä ja "7 §" muutoksenhakua. Laki rakentuu peräkkäisistä pykälistä, ja niiden lukumäärä ja sisältö kertovat, mihin laki todella keskittyy. Tässä analyysissa jokainen pykälä on yksi havainto. ::: ## Datan haku: laki pykälittäin finlex-paketilla Haemme lain suoraan Finlexin avoimesta datasta omalla `finlex`-paketillani. Funktio `flx_get_text()` palauttaa lain **valmiiksi pykäliin jaettuna** — yksi rivi per pykälä, mukana pykälän otsikko ja koko teksti. Emme siis joudu itse pilkkomaan tekstiä; Finlexin rakenteinen data (Akoma Ntoso -muoto) tekee sen puolestamme. ```{r setup} #| cache: false library(tidyverse) library(here) library(finlex) # oma paketti: install.packages("finlex") library(qs2) library(ggdist) library(scales) library(patchwork) select <- dplyr::select; filter <- dplyr::filter set.seed(20270418) pal <- c(punainen="#e63946", turkoosi="#2a9d8f", oranssi="#f4a261", laivasto="#1d3557", sininen="#457b9d") theme_set(theme_minimal(base_size = 13) + theme(plot.title = element_text(face="bold"), plot.subtitle = element_text(color="grey30"), panel.grid.minor = element_blank(), legend.position = "top")) DATA <- here("data", "valineellistetty-maahantulo") dir.create(DATA, recursive = TRUE, showWarnings = FALSE) VUOSI <- 2024L; NUMERO <- 482L ``` ```{r hae-laki} #| cache: false laki_path <- file.path(DATA, "laki_482_2024.qs") if (!file.exists(laki_path)) { laki <- flx_get_text(year = VUOSI, number = NUMERO) # alkuperäinen, pykälittäin qs2::qs_save(laki, laki_path) } laki <- qs2::qs_read(laki_path) # Eheystarkastukset: haku onnistui ja pykäliä on järkevä määrä stopifnot( "finlex-haku epäonnistui" = all(laki$status == "ok") || any(laki$status == "ok"), "Pykäliä ei löytynyt" = sum(!is.na(laki$text)) >= 5, "Odotetut sarakkeet puuttuvat" = all(c("section_index","heading","text") %in% names(laki))) laki <- laki |> filter(status == "ok", !is.na(text)) |> arrange(section_index) glimpse(laki) ``` ```{r metatiedot} #| cache: false meta_path <- file.path(DATA, "meta_482_2024.qs") if (!file.exists(meta_path)) qs2::qs_save(flx_get_metadata(VUOSI, NUMERO), meta_path) meta <- qs2::qs_read(meta_path) meta |> select(title, date_issued, n_sections) ``` Laki on `r meta$title[1]`, annettu `r format(meta$date_issued[1], "%d.%m.%Y")`, ja se sisältää `r nrow(laki)` pykälää, joissa on tekstiä. Nyt luokittelemme jokaisen pykälän. ## Pykälien luokittelu — läpinäkyvästi Käytämme samoja viittä teemaa, jotka tekoälytyökalu tunnisti, jotta mittarit ovat vertailukelpoisia. Luokittelu tehdään **sääntöpohjaisesti**: jokaiselle teemalle on joukko avainsanoja, ja pykälä osoitetaan siihen teemaan, jonka avainsanoja sen otsikossa ja tekstissä esiintyy eniten. ::: {.callout-important title="Tämä on tulkinta — ja siksi se on näkyvissä"} Avainsanakartta on **minun valintani**, ei lain eikä Finlexin. Esitän sen kokonaisuudessaan koodissa, jotta kuka tahansa voi tarkistaa ja muuttaa sitä. En piilota tulkintaa mallin sisään. Tämä on olennainen ero tekoälyteemoitukseen: siellä luokittelun logiikka on näkymätön, tässä se on rivi riviltä luettavissa. ::: ```{r luokittele} teema_avainsanat <- list( "Lain tarkoitus ja soveltamisala" = c("tarkoitus","sovelletaan","soveltamisala","määritelm","voimaantulo","voimassa"), "Hakemusten rajoittaminen" = c("rajoittaa","rajoittamis","rajoitus","valtioneuvost","päättää rajoit","kuukauden ajaksi"), "Maahanpääsyn estäminen ja maasta poistaminen" = c("maahanpääsy","estetään","poistetaan","maasta poistam","torju","tunkeutumis","viipymättä"), "Poikkeukset haavoittuville" = c("poiketen","poikkeus","haavoittuva","lapsen etu","vammais","otetaan vastaan","kidutuks","kuolemanrangaist"), "Uudelleenarviointi ja oikeusturva" = c("uudelleenarvioin","muutoksenhak","oikeusturva","ilmoitettava","kuulemis","hallintolai","kirjallisesti","täytäntöön")) luokittele_pykala <- function(txt) { t <- str_to_lower(txt) pisteet <- map_int(teema_avainsanat, \(sanat) sum(str_count(t, str_to_lower(sanat)))) if (max(pisteet) == 0) return("Muu (luokittelematon)") names(pisteet)[which.max(pisteet)] } laki_luok <- laki |> mutate(teema = map_chr(text, luokittele_pykala), sanat = str_count(text, "\\S+")) # sanamäärä per pykälä # Laatuvartija: liikaa luokittelematonta -> avainsanoja pitää laajentaa muu_osuus <- mean(laki_luok$teema == "Muu (luokittelematon)") stopifnot("Liikaa luokittelemattomia pykäliä — laajenna avainsanoja" = muu_osuus < 0.30) message("Luokittelemattomia pykäliä: ", percent(muu_osuus, 0.1)) laki_luok |> select(section_index, heading, teema, sanat) |> print(n = Inf) ``` ## Jakauma ensin: kolme mittaa rinnakkain Nyt vertaamme kolmea mittaa samassa kuvassa: tekoälyn havainnot, pykälien osuus ja sanojen osuus. Jokainen on **osuus**, eli kunkin teeman siivu kokonaisuudesta. ```{r kolme-mittaa} teemat_jarjestys <- c("Lain tarkoitus ja soveltamisala","Hakemusten rajoittaminen", "Maahanpääsyn estäminen ja maasta poistaminen","Poikkeukset haavoittuville", "Uudelleenarviointi ja oikeusturva") # 1) Skimlen havainnot (annettu aineisto) skimle <- tribble( ~teema, ~havainnot, "Maahanpääsyn estäminen ja maasta poistaminen", 4, "Poikkeukset haavoittuville", 4, "Uudelleenarviointi ja oikeusturva", 3, "Lain tarkoitus ja soveltamisala", 2, "Hakemusten rajoittaminen", 2) # 2) & 3) Pykälät ja sanat finlex-datasta oma <- laki_luok |> filter(teema != "Muu (luokittelematon)") |> group_by(teema) |> summarise(pykalat = n(), sanat = sum(sanat), .groups = "drop") vrt <- skimle |> full_join(oma, by = "teema") |> mutate(across(c(havainnot, pykalat, sanat), \(x) replace_na(x, 0))) |> transmute(teema, `Tekoäly (havainnot)` = havainnot / sum(havainnot), `Pykälät` = pykalat / sum(pykalat), `Sanat` = sanat / sum(sanat)) |> pivot_longer(-teema, names_to = "mittari", values_to = "osuus") |> mutate(teema = factor(teema, levels = rev(teemat_jarjestys)), mittari = factor(mittari, levels = c("Tekoäly (havainnot)","Pykälät","Sanat"))) ggplot(vrt, aes(x = osuus, y = teema, fill = mittari)) + geom_col(position = position_dodge(.8), width = .7) + scale_x_continuous(labels = label_percent()) + scale_fill_manual(values = unname(pal[c(4,2,3)])) + labs(title = "Mistä laki kertoo? Kolme mittaa samasta laista", subtitle = "Kunkin teeman osuus kokonaisuudesta — mittari vaikuttaa kuvaan", x = "Osuus", y = NULL, fill = NULL) ``` Tästä näkee heti sen, mitä yksi otsikko ei kertoisi: **turvatakkeiksi luettavat teemat — haavoittuvien poikkeukset ja uudelleenarviointi/oikeusturva — muodostavat huomattavan osan laista kaikilla kolmella mittarilla.** Laki, joka tunnetaan "käännytyksestä", käyttää suuren osan tekstistään sen rajaamiseen, kenen kohdalla käännytystä *ei* sovelleta ja miten päätöksestä voi valittaa. ## Turvatakeiden osuus — piste ei riitä, väli kertoo enemmän Tässä sloganini ydin. Sanotaan, että jaamme teemat karkeasti kahtia: **rajoittavat** (tarkoitus, hakemusten rajoittaminen, maahanpääsyn estäminen) ja **turvatakeet** (haavoittuvien poikkeukset, uudelleenarviointi). Kuinka suuri osa laista on turvatakeita? Vastaus ei ole yksi luku, koska havaintoja on vähän. Käytämme **bayeslaista arviota** (Dirichlet–Beta), joka antaa pisteen sijaan **uskottavuusvälin**: alueen, jonka sisällä todellinen osuus uskottavasti on. ::: {.callout-note title="Miksi uskottavuusväli, ei pelkkä prosentti?"} Jos poimimme 15 havaintoa ja 7 niistä on turvatakeita, "47 %" on paras arvaus. Mutta 15 havaintoa on vähän — toisella lukukerralla luku voisi hyvin olla 40 % tai 55 %. Uskottavuusväli mittaa tämän epävarmuuden ja näyttää sen rehellisesti. Kapea väli tarkoittaisi varmuutta, leveä väli epävarmuutta. Pelkkä prosenttiluku teeskentelisi varmuutta, jota meillä ei ole. ::: ```{r turvatakeet} ryhma <- tibble( teema = teemat_jarjestys, ryhma = c("Rajoittava","Rajoittava","Rajoittava","Turvatakeet","Turvatakeet")) # Sama laskenta kolmelle mittarille -> Beta-väli turvatakeiden osuudelle osuus_vali <- function(k, n) { a <- 1 + k; b <- 1 + (n - k) # Dirichlet(1,1)-priori tibble(piste = k/n, lo = qbeta(.025, a, b), hi = qbeta(.975, a, b)) } mittarit <- list( "Tekoäly (havainnot)" = skimle |> left_join(ryhma, by="teema") |> summarise(k = sum(havainnot[ryhma=="Turvatakeet"]), n = sum(havainnot)), "Pykälät" = oma |> left_join(ryhma, by="teema") |> summarise(k = sum(pykalat[ryhma=="Turvatakeet"]), n = sum(pykalat)), "Sanat" = oma |> left_join(ryhma, by="teema") |> summarise(k = sum(sanat[ryhma=="Turvatakeet"]), n = sum(sanat))) turva <- imap_dfr(mittarit, \(d, nimi) osuus_vali(d$k, d$n) |> mutate(mittari = nimi)) |> mutate(mittari = factor(mittari, levels = c("Tekoäly (havainnot)","Pykälät","Sanat"))) ggplot(turva, aes(x = piste, y = fct_rev(mittari), color = mittari)) + geom_pointinterval(aes(xmin = lo, xmax = hi), linewidth = 1.2, point_size = 3) + geom_vline(xintercept = .5, linetype = "dashed", color = "grey50") + scale_x_continuous(labels = label_percent(), limits = c(0,1)) + scale_color_manual(values = unname(pal[c(4,2,3)]), guide = "none") + labs(title = "Kuinka suuri osa laista on turvatakeita?", subtitle = "Piste = paras arvio, jana = 95 % uskottavuusväli · katkoviiva = puolet laista", x = "Turvatakeiden osuus", y = NULL) ``` Katso janoja, älä pisteitä. Kaikilla kolmella mittarilla turvatakeiden osuus on merkittävä, mutta **epävarmuus on suuri** — erityisesti tekoälyn havainnoilla, joilla väli ulottuu reilusti puolen molemmin puolin. Emme siis voi sanoa "laki on täsmälleen puoliksi turvatakeita". Voimme sanoa jotain vahvempaa ja rehellisempää: *turvatakeet ovat iso, mitattava osa lakia — eivät sivuhuomautus.* Se riittää kumoamaan yhden sanan antaman kuvan. ## Ovatko mittarit samaa mieltä? Tilastollinen testi Tekoälyn havainnot ja lain pykälät ovat kaksi **riippumatonta** tapaa mitata sama asia. Jos ne antavat tilastollisesti saman jakauman, tulos on vankka. Testaamme tätä khii-neliö-yhteensopivuustestillä. ```{r testi} vertailu_taulu <- skimle |> rename(Tekoäly = havainnot) |> full_join(oma |> select(teema, Pykälät = pykalat), by = "teema") |> mutate(across(c(Tekoäly, Pykälät), \(x) replace_na(x, 0))) |> filter(Tekoäly + Pykälät > 0) # Yhteensopivuus: noudattavatko pykälät samaa jakaumaa kuin tekoälyn havainnot? odotettu_p <- vertailu_taulu$Tekoäly / sum(vertailu_taulu$Tekoäly) khi <- suppressWarnings(chisq.test(x = vertailu_taulu$Pykälät, p = odotettu_p, rescale.p = TRUE)) cramers_v <- sqrt(unname(khi$statistic) / sum(vertailu_taulu$Pykälät) / (nrow(vertailu_taulu) - 1)) tibble(khi2 = round(unname(khi$statistic),2), df = unname(khi$parameter), p = round(khi$p.value,3), cramers_V = round(cramers_v,3)) ``` ::: {.callout-important title="Miten tätä p-arvoa luetaan"} Suuri p-arvo (yli 0,05) tarkoittaa tässä hyvää uutista: emme löydä todisteita siitä, että pykäläjakauma ja tekoälyn havaintojakauma eroaisivat. Toisin sanoen **kaksi riippumatonta mittaria kertovat saman tarinan** — mikä lisää luottamusta siihen, että teemajakauma on todellinen eikä yhden mittarin oikku. Pieni p-arvo taas kertoisi, että mittarit ovat eri mieltä ja jompaakumpaa pitää tulkita varovasti. Efektikoko (Cramérin V) kertoo eron suuruuden pelkän merkitsevyyden ohi. ::: ## Counterfactual: muuttiko myöhempi muutos tasapainoa? Lakia 482/2024 muutettiin myöhemmin. `finlex`-paketin `flx_get_consolidated_text()` antaa lain **konsolidoidun** eli tällä hetkellä voimassa olevan tekstin, johon muutokset on sulautettu. Vertaamme alkuperäistä ja voimassa olevaa versiota: siirsikö muutos lain painopistettä rajoittavampaan vai turvatakeiden suuntaan? Tämä on konkreettinen counterfactual — "miltä laki näyttäisi ilman muutosta" vs. "miltä se näyttää nyt". ```{r counterfactual} #| cache: false kons_path <- file.path(DATA, "laki_konsolidoitu.qs") if (!file.exists(kons_path)) qs2::qs_save(flx_get_consolidated_text(VUOSI, NUMERO), kons_path) kons <- qs2::qs_read(kons_path) vertaa_versiot <- function(df, versio) { df |> filter(status == "ok", !is.na(text)) |> mutate(teema = map_chr(text, luokittele_pykala)) |> filter(teema != "Muu (luokittelematon)") |> left_join(ryhma, by = "teema") |> summarise(k = sum(ryhma == "Turvatakeet"), n = n()) |> mutate(versio = versio) |> rowwise() |> mutate(osuus_vali(k, n)) |> ungroup() } cf <- bind_rows( vertaa_versiot(laki, "Alkuperäinen (2024)"), if (any(kons$status == "ok")) vertaa_versiot(kons, "Voimassa oleva (konsolidoitu)") ) if (nrow(cf) >= 2) { ggplot(cf, aes(x = piste, y = versio, color = versio)) + geom_pointinterval(aes(xmin = lo, xmax = hi), linewidth = 1.2, point_size = 3) + scale_x_continuous(labels = label_percent(), limits = c(0,1)) + scale_color_manual(values = unname(pal[c(5,1)]), guide = "none") + labs(title = "Muuttiko lakimuutos turvatakeiden osuutta?", subtitle = "Turvatakeiden osuus pykälistä, 95 % uskottavuusväli", x = "Turvatakeiden osuus", y = NULL) } else { message("Konsolidoitua versiota ei saatavilla — counterfactual ohitetaan.") } ``` ::: {.callout-note title="Jos välit menevät päällekkäin"} Jos alkuperäisen ja voimassa olevan version uskottavuusvälit menevät päällekkäin, tulkinta on: muutos ei siirtänyt lain tasapainoa havaittavasti. Vasta selvästi erilleen menevät välit kertoisivat todellisesta painopisteen siirtymästä. Tämä on rehellinen tapa vertailla — ei "muuttui/ei muuttunut" vaan kuinka varmoja voimme olla. ::: ## Faktalaatikko: mitä on "välineellistetty maahantulo"? ::: {.callout-tip title="Tausta tutkimuskirjallisuudesta"} Lain käsittelemä ilmiö — valtion tarkoituksellinen maahantulon käyttö painostuksen välineenä — on tunnettu kansainvälisen politiikan tutkimuksessa. Käsitteen vakiintunut lähde on Kelly M. Greenhillin teos *Weapons of Mass Migration: Forced Displacement, Coercion, and Foreign Policy* (Cornell University Press, 2010), joka dokumentoi kymmeniä tapauksia, joissa valtiot ovat käyttäneet väestöliikkeitä ulkopoliittisena painostuskeinona. **Evidenssin luonteesta rehellisesti:** tämä kirjallisuus on laadullista tapaus- ja vertailututkimusta, ei kokeellista tai meta-analyyttista. Ilmiön luonteen vuoksi satunnaistettuja asetelmia ei ole, joten emme voi esittää meta-analyysin kaltaista yhteenvetoa vaikuttavuudesta. Se on syytä sanoa: taustan varmuus on eri luokkaa kuin itse lakitekstin, jonka mittaamme suoraan. ::: ## Mitä tämä tarkoittaa päättäjälle - **Yksi sana ei ole laki.** "Käännytyslaki" on otsikko, ei sisältö. Kun teksti luetaan pykälä pykälältä, turvatakeet ovat iso osa lakia — ei sivuhuomautus. - **Mittari muokkaa kuvaa.** Sama laki näyttää hieman erilaiselta riippuen siitä, lasketaanko havaintoja, pykäliä vai sanoja. Rehellinen analyysi näyttää useamman mittarin, ei valitse itselleen sopivinta. - **Epävarmuus kuuluu tulokseen.** Vähäisestä datasta ei saa tarkkaa prosenttia, ja sen teeskentely olisi harhaanjohtavaa. Uskottavuusväli kertoo, kuinka pitkälle johtopäätöksen voi viedä. - **Rakenteinen avoin data on tässä ratkaisu.** Koko analyysi nojaa Finlexin avoimeen dataan, joka on koneluettavassa muodossa — kuka tahansa voi toistaa sen. ## Näin voit hyödyntää tätä käytännössä Sama menetelmä toimii mille tahansa pitkälle asiakirjalle, joka julkisuudessa typistyy yhteen leimaan: sopimus, säädös, lausunto, poliittinen ohjelma. Pilko se rakenneosiin, luokittele ne läpinäkyvästi, ja mittaa jakauma epävarmuuksineen. Se korvaa mielikuvan mitatulla rakenteella — ja paljastaa, milloin otsikko ja sisältö ovat eri mieltä. --- ::: {.callout-tip title="Tehdäänkö teidän datallenne sama?"} Autan organisaatioita korvaamaan yhden luvun tai yhden leiman mitatulla jakaumalla — sopimuksissa, säädösvalvonnassa, riskiraporteissa tai missä tahansa, missä pitkä dokumentti typistyy pisteeksi. Rakenteisesta avoimesta datasta, epävarmuus näkyvissä, täysin toistettavasti. Otetaan yhteyttä: **kristianvepsalainen.com**. ::: *Datalähde: Finlex, avoin data (CC BY 4.0), haettu `finlex`-R-paketilla. Teemoituksen vertailuaineisto: Skimle-analyysityökalu. Luokittelu ja mahdolliset virheet ovat omiani.*