Julkisen oikeuttamisen analyysi sosiologisena tutkimusmenetelmänä

Artikkelissa esitellään uusi julkisen keskustelun tutkimiseen kehitetty analyysimenetelmä, julkisen oikeuttamisen analyysi (JOA). JOA perustuu Luc Boltanskin ja Laurent Thévenot'n oikeuttamisteorian seitsemän "maailman" – inspiraation, kodin, maineen, kansalaisuuden, markkinoiden, teollisuuden ja ekologian – muodostamalle analyysikehikolle. Se tutkii keskusteluissa esiintyvien vaateiden moraalisia oikeutuksia, niiden yhdistelmiä ja tapoja kiistää ja tuomita kiistakumppaneiden oikeutuksia. JOA:n avulla voidaan kvalitatiiviseen tekstianalyysiin yhdistää myös kvantitatiivista luokittelua, jolloin menetelmä soveltuu suurtenkin aineistojen analyysiin. JOA:n käyttöä havainnollistetaan artikkelissa kahden tutkimusesimerkin avulla. Ensimmäinen esimerkki käsittelee Helsingin Sanomissa globalisaatiosta vuosina 1999–2005 käydyn keskustelun osapuolten, erityisesti kansalaisyhteiskunnan sekä taloudellisen ja poliittisen eliitin, argumentteja ja niille annettuja oikeutuksia. Tämän esimerkin kautta kuvataan erilaisten oikeuttamisyhdistelmien ilmaisuvoimaa yhteiskunnallisten kiistakysymysten moraalisten ulottuvuuksien analysoimisessa. Toinen esimerkki keskittyy paikallisiin kiistoihin Suomessa ja Ranskassa tarkastelemalla kansalaisten ja kaupungin edustajien esittämiä oikeutuksia paikallislehdistössä. Tämä esimerkki osoittaa JOA:n vahvuudet vertailevan tutkimuksen työkaluna.

Algorithms for Exact Structure Discovery in Bayesian Networks

Bayesian networks are compact, flexible, and interpretable representations of a joint distribution. When the network structure is unknown but there are observational data at hand, one can try to learn the network structure. This is called structure discovery. This thesis contributes to two areas of structure discovery in Bayesian networks: space--time tradeoffs and learning ancestor relations. The fastest exact algorithms for structure discovery in Bayesian networks are based on dynamic programming and use excessive amounts of space. Motivated by the space usage, several schemes for trading space against time are presented. These schemes are presented in a general setting for a class of computational problems called permutation problems; structure discovery in Bayesian networks is seen as a challenging variant of the permutation problems. The main contribution in the area of the space--time tradeoffs is the partial order approach, in which the standard dynamic programming algorithm is extended to run over partial orders. In particular, a certain family of partial orders called parallel bucket orders is considered. A partial order scheme that provably yields an optimal space--time tradeoff within parallel bucket orders is presented. Also practical issues concerning parallel bucket orders are discussed. Learning ancestor relations, that is, directed paths between nodes, is motivated by the need for robust summaries of the network structures when there are unobserved nodes at work. Ancestor relations are nonmodular features and hence learning them is more difficult than modular features. A dynamic programming algorithm is presented for computing posterior probabilities of ancestor relations exactly. Empirical tests suggest that ancestor relations can be learned from observational data almost as accurately as arcs even in the presence of unobserved nodes.