"Kunnon hyvä, ja e helt messis!" : kielten vaihtelua suomenruotsalaisessa WhatsApp-keskustelussa
Notice bibliographique
Résumé
Tiivistelmä – Referat – Abstract Tutkielmassa tarkastellaan kielten vaihtelua kahden suomenruotsalaisen naisen WhatsApp-keskustelussa. Keskustelun pääkieli on ruotsi, ja siinä esiintyy runsaasti upotettua suomenkielistä ainesta. Tutkielman päämääränä on selvittää, minkälaisissa rakenteissa ja funktioissa suomenkielistä ainesta esiintyy. Kielten vaihtelua tarkastellaan sekä vuorovaikutussosiolingvistisestä että kieliopillisesta näkökulmasta. Aineisto koostuu kahden informantin välisestä WhatsApp-keskustelusta viiden vuoden ajalta. Tuolloin naiset ovat olleet 25-30-vuotiaita. Informanteilla on keskenään hyvin samankaltainen kielellinen tausta: He ovat kasvaneet ruotsinkielisissä perheissä kaksikielisessä Porvoossa. Molempien kotikieli on ollut ruotsi, mutta suomen kieli on tullut tutuksi harrastusten, ystävien ja valtamedian kautta. Kumpikin on työskennellyt myös monikielisissä työyhteisöissä. Aineisto on toimitettu tiedostomuodossa, jossa näkyy tekstin lisäksi hymiöt, eli emoticonit. WhatsApp-keskustelulle ominaiset emojit puuttuvat aineistosta kokonaan, ja animaatiot, videot sekä ääniviestit näkyvät ”Media jätettiin pois” -merkintänä. Viestejä on yhteensä 1072. Niissä on sanoja yhteensä n. 17 000. Viestiketjut on muokattu autenttisemman näköiseen muotoon Fake WhatsApp Chat -generaattorilla. Informanttien ja muiden henkilöiden nimet on muutettu. Kielten vaihtelun analyysissa hyödynnetään sekä sosiolingvistiikkaa että keskustelunanalyysia. Pääkieleen upotettua suomenkielistä ainesta tarkastellaan kieliopillisesta näkökulmasta, mutta piirteille etsitään selitystä myös aiemmasta murre- ja verkkoviestinnän kielen tutkimuksesta. Kielten vaihtelun tarkastelussa hyödynnetään mm. koodinvaihdon tutkimusta. Koodinvaihdon sijaan tutkielmassa käytetään termiä kielten vaihtelu. Suomen kielen käyttö ruotsin kielen seassa on ominaista helsinginruotsille, mutta myös itäuusmaalaisille ruotsin murteille. Viestinnän puhekielisyys ja lopetusmerkkien puuttuminen puolestaan on tyypillistä verkkoviestinnän kielelle. Suomenkielistä ainesta tarkastellaan sekä sanaluokittain että syntaktisissa asemissa. Suomen kieltä esiintyy aineistossa kokonaisina lauseina tai lausekkeina, yksittäisinä sanoina upotettuna matriisikieleen ja sanansisäisenä vaihteluna. Sanansisäisellä tasolla tarkastellaan suomenkielisten nominien ja verbien mukautumista ruotsin kieleen. Lopuksi sivutaan lyhyesti kokonaisina lauseina esiintyviä muunkielisiä aineksia ja muita esiintyneitä kielenpiirteitä. Tutkielmasta ilmenee, että informanttien välisessä keskustelussa on runsaasti sekä murrealueelle että verkkoviestinnälle tyypillisiä piirteitä. Kielten vaihtelussa on havaittavissa tiettyä säännönmukaisuutta mm. taivutuspäätteissä. Aineistosta voi päätellä, että viestintä on muuttunut yleiskielisemmäksi vuosien saatossa. Naisten välinen kielirekisteri siis kehittyy, ja yleiskielisempi suuntaus voi olla työelämän kielenkäytön vaikutusta.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,003 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,088 | 0,035 |
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 ».