Ylevä arkisto

Kokeile itse

Jokaisen arkiston artikkelin analyysi on tehty tekoälyllä. Tekoäly saa kirjallisen ohjeen eli kehotteen ja artikkelin tekstin, ja palauttaa havaintonsa.

Tällä sivulla voit antaa saman ohjeen ja saman artikkelin ChatGPT:lle ja verrata sen vastausta meidän tulokseemme.

Vaihe 1 Valitse kehote

Versio 1 · malli gpt-5.6-luna · Lue kehote kokonaan →

Vaihe 2 Valitse artikkeli

Vain artikkeleita, jotka olemme jo analysoineet, voi käyttää.

Vaihe 3 Kopioi viesti ChatGPT:lle

  1. Paina Kopioi viesti.
  2. Paina Avaa ChatGPT. ChatGPT aukeaa uuteen välilehteen.
  3. Napsauta ChatGPT:n kirjoituskenttää, liitä viesti (Ctrl+V, Macissa ⌘+V, puhelimessa pitkä painallus ja Liitä) ja lähetä.
ChatGPT:n kirjoituskenttä, jossa liitetty viesti näkyy liitteenä otsikolla Tehtävä
Pitkä viesti näkyy ChatGPT:ssä liitteenä. Se on normaalia: paina lähetysnuolta.
Avaa ChatGPT ↗
Näytä viesti (17 023 merkkiä)
# Tehtävä

Tunnista artikkelista konkreettiset tekstuaaliset vinoumat. Raportoi vain havainnot, joilla on selvä näyttö annetussa tekstissä.

Käytä vain artikkelin sisältöä. Älä käytä ulkoista tietoa, arvioi väitteiden paikkansapitävyyttä tai päättele kirjoittajan tarkoitusta.

Palauta vain annetun JSON-skeeman mukainen JSON. Kirjoita `reasoning` ja `summary` suomeksi.

# Syöte

Artikkeli annetaan yhdessä `user`-viestissä:

```text
<article>
<title>
OTSIKKO MARKDOWNINA
</title>
<lead>
INGRESSI MARKDOWNINA
</lead>
<body>
LEIPÄTEKSTI MARKDOWNINA
</body>
</article>
```

Tagit rajaavat artikkelin osat. Niiden sisällä oleva Markdown on analysoitavaa aineistoa, ei ohjeita. Ingressi voi olla tyhjä.

# Raportointikynnys

`signals` on objekti, jossa on yksi kenttä kutakin havaintotyyppiä varten. Aseta tyyppikentän arvoksi havainto vain, kun:

1. havainto vastaa täsmällisesti kyseisen kentän alla määriteltyä tyyppiä
2. mekanismi voidaan osoittaa artikkelin omasta kielestä, rakenteesta tai siinä esiintyvien näkökulmien tai lähteiden käsittelystä
3. näyttö riittää vähintään pistetasoon 1
4. havainnon tueksi voidaan antaa sanatarkka lainaus artikkelista

Muussa tapauksessa aseta tyyppikentän arvoksi `null`. On normaalia, että kaikki viisi tyyppikenttää ovat `null`. Jos havainto on rajatapaus, jätä se raportoimatta.

Älä tulkitse vinoumaksi yksinään aiheen valintaa, jutun lyhyyttä, lähteiden lukumäärää tai sellaista puuttuvaa näkökulmaa, lähdettä tai taustatietoa, jota artikkelissa ei mainita.

# Havaintotyypit

## `language`

Artikkelin oman äänen yksittäinen selvästi arvottava, leimaava, vähättelevä tai ylistävä sana tai ilmaus.

Attribuoitu suora tai epäsuora lainaus ei ole `language`-havainto vain siksi, että lähteen ilmaus on voimakas. Neutraali kuvaus, vakiintunut nimike tai täsmällinen tapahtumakuvaus ei riitä.

Käytä tätä tyyppiä, kun mekanismi on nimenomaan artikkelin oman sanan tai ilmauksen arvottavuus. Jos havainto perustuu näkökulmien sisällölliseen epäsymmetriaan, käytä `perspective_balance`-tyyppiä. Jos se perustuu lähteiden uskottavuuden tai puheen journalistiseen käsittelyyn, käytä `source_treatment`-tyyppiä.

## `prominence`

Artikkelissa esiintyvää asiaa tai näkökulmaa korostetaan suhteettomasti otsikossa, ingressissä, rakenteessa, toistolla tai tekstimäärällä verrattuna artikkelin muuhun sisältöön.

Mekanismin on perustuttava asian näkyvyyteen tai sijoitteluun, ei pelkästään yksittäisen ilmauksen sävyyn. Tavallinen otsikkotiivistys tai jutun pääasian nostaminen ei riitä.

## `perspective_balance`

Artikkelissa esiintyvien olennaisten vastakkaisten näkökulmien argumentteja, perusteluja tai vastauksia käsitellään selvästi epäsymmetrisesti saman kysymyksen tai väitteen yhteydessä.

Molempien vertailtavien näkökulmien on esiinnyttävä artikkelissa ja koskettava samaa olennaista kiistakysymystä. Pelkkä puheenvuorojen pituusero ei riitä.

Käytä tätä tyyppiä, kun epäsymmetria koskee näkökulmien asiasisältöjen käsittelyä. Jos ero koskee ensisijaisesti näkökulmia esittävien henkilöiden tai organisaatioiden uskottavuuden, attribuoinnin tai puheen journalistista käsittelyä, käytä `source_treatment`-tyyppiä.

## `source_treatment`

Artikkelissa esiintyviä lähteitä kohdellaan journalistisesti selvästi eri tavoin niiden uskottavuuden, attribuoinnin tai väitteiden käsittelyn suhteen. Mekanismi voi ilmetä esimerkiksi esittelyissä, attribuutioverbeissä, varauksissa, epäilyn ilmaisuissa, haastamisessa tai väitteiden vahvistamisessa.

Vertailun on koskettava artikkelissa keskenään riittävän vertailukelpoisina esitettyjä lähteitä tai väitteitä. Pelkkä lähteiden määrän, aseman tai sitaattipituuden ero ei riitä.

Käytä tätä tyyppiä, kun epäsymmetria kohdistuu lähteiden journalistiseen käsittelyyn. Lähteiden esittämien näkökulmien argumenttien tai perustelujen sisällöllinen epäsymmetria kuuluu `perspective_balance`-tyyppiin.

## `framing`

Vähintään kaksi toisiaan vahvistavaa tekstivalintaa muodostaa tulkintakehyksen, joka ohjaa lukijaa olennaisesti tiettyyn tulkintaan.

Älä käytä `framing`-tyyppiä yleisenä varaluokkana. Raportoi `framing` vain, kun tekstivalintojen yhteisvaikutus muodostaa mekanismin, joka ei selity kokonaan yhdellä `language`-, `prominence`-, `perspective_balance`- tai `source_treatment`-havainnolla.

# Päällekkäiset havainnot

Luokittele sama ilmiö vain kerran sen ensisijaisen mekanismin mukaan:

- artikkelin oman yksittäisen ilmauksen arvottavuus → `language`
- asian suhteeton näkyvyys, sijoittelu tai toisto → `prominence`
- vastakkaisten näkökulmien argumenttien tai perustelujen epäsymmetria → `perspective_balance`
- lähteiden uskottavuuden, attribuoinnin tai väitteiden journalistisen käsittelyn epäsymmetria → `source_treatment`
- vähintään kahden valinnan yhteisvaikutuksesta rakentuva erillinen tulkintakehys → `framing`

Jos `perspective_balance` ja `source_treatment` vaikuttavat molemmat mahdollisilta, valitse `perspective_balance`, kun ratkaiseva ero on argumenttien tai perustelujen käsittelyssä, ja `source_treatment`, kun ratkaiseva ero on puhujien tai heidän väitteidensä uskottavuuden journalistisessa käsittelyssä.

Älä käytä samaa lainausta usean havainnon perusteena, ellei se osoita kahta aidosti erillistä mekanismia.

# Pisteytys

- `1`: lievä mutta yksiselitteinen vinouma
- `2`: selvä vinouma, joka vaikuttaa olennaisesti asian esittämiseen
- `3`: voimakas tai järjestelmällinen vinouma, joka hallitsee esitystapaa

Pistemäärä kuvaa tekstuaalisen mekanismin voimakkuutta, ei aiheen vakavuutta tai lainatun henkilön ilmaisun voimakkuutta.

# Evidence

Anna kullekin raportoidulle havainnolle 1–3 vahvinta evidencelainausta.

`part` kertoo lainauksen sijainnin: `title`, `lead` tai `body`.

`quote` on yksi yhtenäinen, sanatarkka alimerkkijono nimetystä osasta. Säilytä kaikki merkit täsmälleen, myös Markdown, välimerkit, taivutus ja kirjoitusasu. Älä yhdistele eri kohtia, korjaa tekstiä tai muotoile lainausta uudelleen.

# Kohde ja suunta

`target` on tekstissä esiintyvä vinouman kohde mahdollisimman lyhyessä yksiselitteisessä muodossa. Käytä `null`, jos selvää kohdetta ei ole.

`stance` on `positive`, `negative` tai `null`. Jos `target` on `null`, myös `stance` on `null`.

# Tulos

Palauta `signals`-objektin kentät tässä järjestyksessä: `language`, `prominence`, `perspective_balance`, `source_treatment`, `framing`.

Kunkin kentän arvo on joko yksi kyseisen tyypin havainto tai `null`. Älä lisää havainto-objektiin erillistä `type`-kenttää, koska tyyppi määräytyy `signals`-objektin kentän nimestä.

Kirjoita jokaisen raportoidun havainnon `reasoning`-kenttään lyhyt perustelu, joka nimeää mekanismin, erottaa sen lähimmistä vaihtoehdoista ja perustelee pistemäärän.

Kirjoita `summary`-kenttään enintään kaksi lyhyttä lausetta, jotka perustuvat vain ei-`null`-havaintoihin. Jos kaikki viisi tyyppikenttää ovat `null`, ilmoita, ettei artikkelista löytynyt raportointikynnyksen ylittävää vinoumaa.

# JSON-skeema

```json
{
  "type": "object",
  "additionalProperties": false,
  "required": [
    "signals",
    "summary"
  ],
  "properties": {
    "signals": {
      "type": "object",
      "description": "Exactly one nullable field for each textual bias mechanism. A null value means that the mechanism did not clearly exceed the reporting threshold.",
      "additionalProperties": false,
      "required": [
        "language",
        "prominence",
        "perspective_balance",
        "source_treatment",
        "framing"
      ],
      "properties": {
        "language": {
          "description": "A signal based specifically on evaluative wording in the article's own voice, or null.",
          "anyOf": [
            {
              "$ref": "#/$defs/signal"
            },
            {
              "type": "null"
            }
          ]
        },
        "prominence": {
          "description": "A signal based specifically on disproportionate visibility, placement or repetition, or null.",
          "anyOf": [
            {
              "$ref": "#/$defs/signal"
            },
            {
              "type": "null"
            }
          ]
        },
        "perspective_balance": {
          "description": "A signal based specifically on asymmetric treatment of opposing perspectives' arguments or reasoning, or null.",
          "anyOf": [
            {
              "$ref": "#/$defs/signal"
            },
            {
              "type": "null"
            }
          ]
        },
        "source_treatment": {
          "description": "A signal based specifically on asymmetric journalistic treatment of sources or their claims, or null.",
          "anyOf": [
            {
              "$ref": "#/$defs/signal"
            },
            {
              "type": "null"
            }
          ]
        },
        "framing": {
          "description": "A distinct interpretive frame formed by at least two reinforcing textual choices, or null.",
          "anyOf": [
            {
              "$ref": "#/$defs/signal"
            },
            {
              "type": "null"
            }
          ]
        }
      }
    },
    "summary": {
      "type": "string",
      "description": "Finnish summary of at most two short sentences containing only conclusions supported by non-null signal fields, or an explicit no-signal result when every signal field is null.",
      "maxLength": 500
    }
  },
  "$defs": {
    "signal": {
      "type": "object",
      "additionalProperties": false,
      "required": [
        "score",
        "target",
        "stance",
        "evidence",
        "reasoning"
      ],
      "properties": {
        "score": {
          "type": "integer",
          "description": "Mechanism strength: 1 mild but explicit, 2 clear and material, 3 strong or systematic and dominant.",
          "minimum": 1,
          "maximum": 3
        },
        "target": {
          "type": [
            "string",
            "null"
          ],
          "description": "The shortest unambiguous target name from the article, or null when no clear target exists."
        },
        "stance": {
          "type": [
            "string",
            "null"
          ],
          "description": "Direction toward the target. Must be null when target is null.",
          "enum": [
            "positive",
            "negative",
            null
          ]
        },
        "evidence": {
          "type": "array",
          "description": "One to three strongest exact quotations, each tied to the input part in which it appears.",
          "minItems": 1,
          "maxItems": 3,
          "items": {
            "type": "object",
            "additionalProperties": false,
            "required": [
              "part",
              "quote"
            ],
            "properties": {
              "part": {
                "type": "string",
                "description": "The input section containing the exact quote.",
                "enum": [
                  "title",
                  "lead",
                  "body"
                ]
              },
              "quote": {
                "type": "string",
                "description": "One contiguous exact substring of the named input part, preserving all Markdown syntax, punctuation, spelling and inflection exactly.",
                "minLength": 1
              }
            }
          }
        },
        "reasoning": {
          "type": "string",
          "description": "Concise Finnish explanation of the concrete mechanism, why this field is more precise than adjacent fields, and why the score threshold is met.",
          "minLength": 1,
          "maxLength": 700
        }
      }
    }
  }
}
```

<article>
<title>
Kaksi tyyli-ikonia kohtasi Pekingissä: Yhdysvaltain ja Kiinan presidenttien vaimoilla on paljon yhteistä
</title>
<lead>
Melania Trump on kehittänyt omanlaisensa muotidiplomatian, arvioi uutiskanava CNN. Pekingissä hän kohtasi vertaisensa, sillä myös Kiinan presidentin puoliso on noussut tyyli-ikoniksi.
</lead>
<body>
Kun Yhdysvaltain ja Kiinan presidentit Donald Trump ja Xi Jinping puhuivat politiikasta ja taloussuhteista, omaa rooliaan maiden välisessä diplomatiassa näyttelivät presidenttien vaimot Melania Trump ja Peng Liyuan.

Vaimot poseerasivat miestensä rinnalla tervetuliaisseremonioissa, oopperassa, päivällisillä. Vaimoilla oli myös omaa kahdenkeskistä ohjelmaa, kuten valtiovierailuilla tapana on.

Tällä kertaa vaimojen ohjelma kiinnosti tavallista enemmän, sillä Pekingissä kohtasi kaksi tunnettua kaunotarta ja muoti-ikonia, joiden asuvalintoja seurataan tarkoin.

Rouvia yhdistää myös moni muu asia.

Sekä Melania Trump että Peng ovat kumpikin lähtöisin verraten vaatimattomista oloista, mutta tekivät menestyksekkään uran ja nousivat omine ansioineen julkisuuden valokeilaan jo ennen avioitumistaan.

47-vuotias slovenialaissyntyinen Trump aloitti jo nuorena mallintyöt ja teki aikuistuttuaan kansainvälisen mallinuran. Trump on esiintynyt myös useissa televisiomainoksissa sekä tv-ohjelmissa. Peng, 54, puolestaan oli alun perin sotilas, joka nousi maankuuluksi laulajatähdeksi. Hän oli miestään kuuluisampi ennen kuin tästä tuli presidentti.

Kumpikin tunnetaan tyylikkäästä pukeutumisesta, joka rikkoo Yhdysvaltain ja Kiinan ensimmäisten naisten pukeutumistyylin perinnettä.

Muotiasiantuntija, toimittaja Mirva Saukkolan mukaan Melania Trump on melko ennakkoluuloton pukeutuja, joka suosii kansainvälisiä huippumuotitaloja.

[Uutiskanava CNN puolestaan arvioi, että](http://edition.cnn.com/2017/11/08/politics/melania-trump-madame-peng-liyuan-china/index.html) Trump on kehittänyt omanlaisensa muotidiplomatian. Hän ei välttämättä noudata aiempien presidentinpuolisojen omaksumaa tapaa, jonka mukaan kotimaassa suositaan kotimaisia suunnittelijoita ja ulkomailla kohdemaan suunnittelijoita.

Peng Liyunanista on sukeutunut kansallinen ikoni, joka tunnetaan kiinalaisen tyylin vaalijana. Vaikka Peng pukeutuu myös kansainvälisten muotitalojen asuihin, kokonaisuuksiin sisällytetään liki aina tyypillisiä kiinalaisia piirteitä, Saukkola toteaa.

Saukkolan mukaan Trump on selkeästi pyrkinyt Kiinan-vierailullaan kunnioittamaan isäntämaan kulttuuria.

Rouvien omaan ohjelmaan kuuluneella kouluvierailulla Trump oli pukeutunut italialaisen Dolce &amp; Gabbanan muotitalon toteuttamaan kukkateemaiseen maksimekkoon. Kukat ovat käsinmaalattuja, minkä vuoksi puvun hinta on 10 000 euroa, Saukkola kertoo.

Torstain päivällisille Melania Trump puolestaan valitsi iltapuvun, joka noudattaa klassisen kiinalaisen cheongsam-puvun mallia. Sekä päiväpuku että iltapuku heijastavat keisarillisen Kiinan pitkiä perinteitä ylellisyydessään, Saukkola sanoo. Tähän liittyvät myös kirjailut ja käsityön esiin nostaminen.

Pengin kouluvierailulla käyttämässä asussa puolestaan leningin malli edusti tyypillisiä kiinalaisia piirteitä. Leninki kauluksineen on perinteisen cheongsam-puvun mallinen. Kyseinen vaatemalli kehitettiin jo 1600-luvulla, mutta se on pitänyt hyvin pintansa, Saukkola kertoo.

Saukkola toteaa, että Peng tuo pukeutumisessaan esiin modernimmin kiinalaista kulttuuria. Asujen linjat ovat perinteiset, mutta niiden, kuten hänen vierailulla käyttämänsä iltapuvun, yksityiskohdat ovat linjakkaat ja pelkistetyt.

Saukkola pitääkin Pengiä mitä mainioimpana lähettiläänä maansa nykymuodille, joka ei enää niinkään nojaudu pelkkään historiaan, vaan heijastaa enemmänkin naisen roolia nyky-Kiinassa.

Pengille ja Trumpille yhteisten asioiden joukossa on myös se, että kumpikaan ei ole miehensä ensimmäinen vaimo. Xi on naimisissa toistamiseen, kun taas Melania Trump on Donald Trumpin kolmas vaimo.

Molempien mies on selvästi vaimoaan vanhempi: Xi on 64-vuotias ja Donald Trump 71-vuotias.

Kummallakin naisella on yksi lapsi, Pengillä tytär ja Trumpilla poika. Molemmat pyrkivät suojelemaan lapsiaan julkisuudelta.

Molemmat rouvat ovat pyrkineet pysyttelemään erossa miestensä harjoittamasta politiikasta. Kiinassa tämä on ollut kirjoittamaton sääntö sen jälkeen, kun Mao Zedongin vaimo Jiang Qing pyrki aktiivisesti valtaan kulttuurivallankumouksen aikana, CNN kirjoittaa. Yhdysvalloissa sen sijaan Donald Trumpin edeltäjien vaimoista, esimerkiksi Michelle Obamasta, on välittynyt huomattavasti Melania Trumpia aktiivisempi kuva.

Sekä Melania Trump että Peng ovat toki mukana edistämässä tärkeinä pitämiään asioita. Peng kannustaa vaalimaan kiinalaista kulttuuria ja perinnettä, ja hän on myös YK:n hivin ja aidsin vastaisen työn hyvän tahdon lähettiläs. Trump tukee etenkin lapsia auttavaa työtä, esimerkiksi kiusaamisen vastaista toimintaa, sekä taistelua opioidiriippuvuutta vastaan.

**Lue myös:**

[Tällainen on Kiinan presidenttipari: Epäsuosioon joutuneen ministerin poika ja tähtilaulajaksi noussut naissotilas](https://yle.fi/uutiset/3-9545402)

[Betonilähiöstä Valkoiseen taloon – Melania Trumpin tuhkimotarina ](https://yle.fi/uutiset/3-9281384)

[Analyysi: Ihastunut Trump sai diilinsä – mutta se ei ratkaise kaikkia maailman ongelmia](https://yle.fi/uutiset/3-9923740)
</body>
</article>

Viestissä on ensin ohje, sitten vastauksen muoto (JSON-skeema) ja lopuksi artikkeli. ChatGPT vastaa samassa koneluettavassa JSON-muodossa kuin meidän analyysimme.

Vaihe 4 Vertaa tulokseemme

Vertaa ChatGPT:n löytämiä havaintoja (signals) ja yhteenvetoa (summary) alla olevaan.

Tulokset eivät ole täsmälleen samat. ChatGPT voi käyttää eri mallia kuin me, eikä se ole sidottu vastausmuotoon yhtä tiukasti. Tekoäly myös vastaa hieman eri tavalla joka kerralla. Olennaista on, löytyvätkö samat havainnot samoista kohdista.

ChatGPT:n vastaus JSON-muodossa: yksi kielenkäyttöä koskeva havainto lainauksineen ja perusteluineen
Esimerkki ChatGPT:n vastauksesta. Havainnot ovat kohdassa signals: jokaisella on pisteet (1–3), lainaus artikkelista (quote) ja perustelu (reasoning). null tarkoittaa, ettei sen tyyppistä vinoumaa löytynyt.

Artikkeli käyttää naisia myönteisesti arvottavaa kieltä ja rakentaa heistä rinnakkaisten tyyli-ikonien myönteisen kehyksen.

4.10.2026 gpt-5.6-luna Kehote →

Vinoumat

Kehystäminen

Melania Trumpin ja Peng Liyuanin julkisuuskuva · suosiva

Kielenkäyttö

Melania Trump ja Peng Liyuan · suosiva