Romanttisten sanoitusten kategorisointi suomenkielisessä populaarimusiiikissa vuosina 2015−2021 : juhannuksen ja koronaviruspandemian vaikutus
Notice bibliographique
Résumé
Tutkimuksessa kartoitettiin, millaisia romanttisia viestejä suomenkielisen populaarimusiikin sanoituksiin sisältyy. Työssä vertailtiin, onko viestejä enemmän juhannuksena, kuin muulloin vuodesta. Lisäksi tarkasteltiin koronavirustaudin pandemian vaikutusta viestien määrään. Aineisto tutkimukseen koostui suomenkielisistä lauluista kolmelta eri viikolta joka vuodelta, vuosina 2015−2021. Tutkimus yhdisti sekä laadullista aineiston analyysia, että määrällistä tulosten tarkastelua. Laulujen sanoitukset analysoitiin lukemalla, mutta vaihtelua viestien määrässä tarkasteltiin varianssianalyysillä. Aineistossa oli yhteensä 233 suomenkielisiä sanoituksia sisältäviä kappaleita. Romanttisia viestejä löytyi yhteensä 1910. Romanttisia viestejä sisältyi 95,25 % aineistosta. Kategorisoidessa sanoituksia huomattiin puute alkuperäisessä kategorisoinnissa, joka perustuu tutkimukseen vuodelta 2011. Kategoriat järjestettiin ja yhdistettiin uudelleen, ja mukaan lisättiin puuttuva kategoria. Kategorioiden määrä muuttui alkuperäisestä 19:sta 13 kategoriaan. Tulkittaessa alkuperäisen kategorisoinnin avulla, romanttisia viestejä oli eniten kategorioissa C3 kosiskelu, C5 esileikki ja C16 torjuminen. Vähiten niitä sisältyi kategorioihin C1 sukuelimet, C7 seksuaalinen kyvykkyys sekä C19 muu. Uudessa kategorisoinnissa viestejä oli eniten kategorioissa K3 pitkäaikaiset suhteet ja sitoutuminen, K6 houkuttelu ja K10 torjuminen. Vähiten romanttisia viestejä ilmeni kategorioissa K7 loukkaus, K8 pettäminen ja K13 muu. Vuodet 2015−2019 muodostavat 70,99 % aineistosta, ja vuodet 2020−2021 loput 29,01 %. Aineiston koko oli 233 kappaletta, jotka kerättiin Suomen Virallinen Listan singlet listalta. Romanttisia viestejä löytyi yhteensä 1910. Joka vuonna romanttisia viestejä yli 200. Juhannus ei nostanut viestien määrää, kuten oletettiin. Myöskään koronaviruspandemialla ei ollut sellaista vaikutusta, joka olisi merkittävä.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 0,004 |
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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».