Finlandismer i skolelevers språkbruk : En jämförelse av Åboland, Nyland och Österbotten
Notice bibliographique
Résumé
Ämnet för min avhandling är finlandismer i skolelevers språkbruk på årskurs 4 och 9. Syftet är att kartlägga i vilken utsträckning eleverna behärskar de utvalda finlandismerna samt utreda vilka skillnader som framkommer i svaren mellan olika årskurser och orter. \n \nMitt material består av 142 svar från en enkätundersökning, varav 43 är från Kimitoön, 77 från Borgå och 22 från Jakobstad. Enkäten gäller fennicismer samt övriga finlandismer som ofta förekommer på finlandssvenska orter. Den omfattar 21 frågor, inklusive frågor om bakgrundsfakta. Frågorna är av flera olika slag: flervalsfrågor, öppna frågor, översättningsfrågor och frågor om ordböjning. Undersökningen är primärt kvantitativ men har också kvalitativa inslag. Resultaten diskuteras med utgångspunkt i de olika finlandismer som testas i enkäten. Hypotesen är att informanterna från årskurs 9 generellt har tillägnat sig fler finlandismer än informanterna från årskurs 4 och att informanterna från Kimitoön känner till finlandismerna mest av alla eftersom enkäten ursprungligen utarbetades för en studie av finlandismer på Kimitoön. \n \nMina resultat bekräftar det som kommit fram i tidigare undersökningar men inte fullständigt. Till en viss grad är finlandismerna som testas vanliga på alla de undersökta områdena men mot min hypotes är det informanterna från Borgå som är mest bekanta med dem. Skillnaden mellan resultaten från Borgå och Kimitoön är dock minimala medan informanterna från Jakobstad är mindre bekanta särskilt med vissa av finlandismerna. Detta visar hur det kan finnas t.o.m. avsevärda skillnader i bruket av enskilda finlandismer på olika områden, vilket bl.a. beror på att andra språk och dialekter påverkar det talade språket i olika hög grad. Att engelskan har en stark ställning syns tydligt i svaren. Därutöver visar resultaten att vissa finlandismer kunde karaktäriseras som regionala eftersom de förekommer mer på vissa områden än andra. \n \nEtt annat betydande resultat är skillnaden mellan årskurserna. Här stämmer min hypotes, dvs. att informanterna från årskurs 9 har avsevärt fler finlandismer i sitt språkbruk än informanterna från årskurs 4.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,006 |
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 ».