ZUR ANREDE IM DEUTSCHEN UND IM FINNISCHEN AM BEISPIEL VON ERFAHRUNGEN DER TAMPERENSER GERMANISTIKSTUDENTEN
Notice bibliographique
Résumé
Tutkimukseni kohteena on puhuttelu saksassa ja suomessa. Työni alussa käsittelen kielellistä kohteliaisuutta ja alun perin Goffmanin luomaa kasvojen (Face) käsitettä. Goffmanin idean pohjalta Brown ja Levinson ovat tutkineet ja kehittäneet oman teoriansa, joka tarkastelee eri kulttuureita ja erityisesti niissä ilmeneviä positiivisen ja negatiivisen kohteliaisuuden strategioita. Suomen- ja saksankielisen kultturialueen erot tulevat esiin myös puhuttelussa, joka heijastelee puhuttelukumppanien keskinäistä suhdetta ja on siten osa kielellistä kohteliaisuutta ja sekä omien että puhuttelukumppanin kasvojen suojelemista.\n\nTämän jälkeen käsittelen saksan ja suomen puhuttelun elementtejä (pronomini, verbi, nimi ja titteli) ja niiden käyttöä sekä erityisesti suomen kielelle tyypillistä puhuttelun välttelyä tähänastisen tutkimustiedon valossa. Esittelen myös joitain suomalaissaksalaisessa kulttuurien välisessä kommunikaatiossa ilmeneviä ongelmia.\n\nEmpiirisessä tutkimuksessani käytin tiedonkeruun metodina ryhmäkeskustelua. Tutkimukseen osallistuneet ovat Tampereen yliopiston Saksan kielen ja kulttuurin opiskelijoita, ja ryhmäkeskustelut toteutettiin keväällä 2009. Ryhmäkeskusteluista kerätyn aineiston perusteella analysoin, miten tutkittavat käyttäytyvät puhuttelun suhteen saksaksi ja suomeksi ja millaisissa tilanteissa puhuttelu tuottaa eniten ongelmia ja miksi. Aineistossa toistuvat ongelmatilanteet olen jakanut kategorioihin, joista tärkeimmiksi nousivat opettajien puhuttelu yliopistolla saksankielisellä alueella sekä Suomessa (saksan kielen ja kulttuurin laitoksella), kollegojen puhuttelu työpaikalla saksankielisellä alueella sekä asiakaspalvelussa Suomessa.\n\nAsiasanat:kohteliaisuus, puhuttelu, kulttuurienvälinen kommunikaatio
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) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,001 |
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 ».