Nauta, näätä vai näyttää? Diftongien ja pitkien vokaalien havaitseminen ja tuottaminen suomen kielen alkeiskurssilla
Notice bibliographique
Résumé
Suomenoppijoiden ääntämistä ei ole tutkittu vielä tarkasti. Esittelen työssäni kielenoppimisen osa-alueita, jotka koskevat ääntämistä erityisesti diftongien ja pitkien vokaalien osalta. Foneettinen tietoisuus kielestä on avuksi sekä opettajalle että oppijalle. \n \nInformantteina on 24 suomen alkeiskurssin opiskelijaa: kuusi Ranskasta ja Saksasta, viisi Italiasta ja neljä Espanjasta ja Unkarista. Tutkimuksen aineistona on viisi sanasanelua kolmen viikon alkeiskurssilta ja nauhoitus kurssin lopusta. Tarkastelen oppijoiden tuotoksia sekä kirjallisesta että nauhoitetusta aineistosta. Tutkimuskohteenani on kielenpiirteet, jotka on todettu haasteellisiksi vieraskielisille suomenoppijoille jo aiemmissa tutkimuksissa. Havainnoin erikielisten oppijoiden tuloksia ja vertailen eri äidinkieltä puhuvien tuotoksia toisiinsa. \n \nTavoitteenani oli selvittää, mitkä diftongit ja pitkät vokaalit ovat informanteille vaikeimpia ja millaisia variantteja informantit äänteistä tuottavat. Vaikeimmiksi vokaaleiksi osoittautuivat suomen omaperäiset ä ja ö sekä sellaiset diftongit tai pitkät vokaalit, jotka sisältävät kyseisiä äänteitä. Eri äidinkielisten oppijoiden tuottamat äänteiden variantit vaihtelevat.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,011 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,005 |
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 ».