Svenska lånord i letaladialekten
Notice bibliographique
Résumé
Tämä kandidaatin tutkielma käsittelee ruotsin kielen vaikutusta Laitilan murteeseen. Erityisenä \ntutkimuskohteena ovat Laitilan murteen ruotsalaisperäiset tai ruotsin kielen kautta lainatut sanat. \nTutkielman tarkoituksena on selvittää, millaisia lainasanoja ruotsin kielestä on tullut Laitilan \nmurteeseen, mikä sanaluokka lainasanojen keskuudessa on yleisin ja miten lainasanat ovat sopeutuneet \nmurteeseen. Tarkastelun kohteena on myös lainasanojen määrä sekä niiden alkuperä. \nTutkimusaineistona on Samuli Simulan Laitilan murteella kirjoittama pakina, joka on julkaistu \nLaitilan vaarin pakinoita -pakinakokoelmassa vuonna 1985. Pääasiallinen aineisto tutkielmassani \nkoostuu 60:tä ruotsalaisperäisestä sanasta, jotka on systemaattisesti kerätty materiaalina toimivasta \npakinasta. Tässä tutkielmassa tutkimusmetodeina on käytetty sekä kvalitatiivisia että kvantitatiivia \nmetodeja. \nTutkielmassa perehdytään yleisesti murteeseen käsitteenä sekä käsitellään kielikontakteja. \nKielikontakteja tarkastellaan pääasiassa suomen ja ruotsin välillä, mutta hieman muidenkin kielten \nosalta. Käsitellen myös Suomen murteita ja tutustun lähemmin Laitilan murteeseen sekä materiaaliini. \nLainasanoista valtaosa on substantiiveja, mutta aineistossa on myös verbejä, adjektiiveja ja \nadverbejä. Lainasanojen kirjoitusasua tutkittaessa ilmeni, että suurin osa lainasanoista on sopeutunut \nLaitilan murteeseen hyvin, koska niiden kirjoitusasu ei eroa suuresti ruotsin yleiskielestä. Tutkimus \nosoittaa, että Laitilan murteessa on vain hieman yli 11 % ruotsalaisperäisiä lainasanoja. Noin puolet \nnäistä lainasanoista on peräisin muista germaanisista kielistä, ja vain 40 %:lla on juurensa ruotsin \nkielessä. Osa ruotsin kielen kautta lainatuista sanoista on peräisin ranskan, latinan ja kreikan kielistä.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,023 | 0,008 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».