Konjunktiosanat kahden virolaisen suomenoppijan puheessa valmistavan opetuksen aikana
Bibliographic record
Abstract
Tässä tutkimuksessa tarkastelen kahden virolaisen suomea toisena kielenä oppivan oppilaan konjunktiosanojen käytön kehitystä valmistavan opetuksen aikana. Konjunktioilla merkitään syntaktisia ja semanttisia suhteita eri kielen elementtien välillä. Konjunktioiden esiintyminen puheessa viittaa kielen kehitykseen, sillä ne mahdollistavat erilaisten suhteiden luomisen lauseiden ja lauseenosien välille. Konjunktiot voivat esimerkiksi yhdistää lauseita. Yhdyslauseita tutkin erityisesti niiden luomien semanttisten suhteiden näkökulmasta. Tutkimukseni on tapaustutkimus, jonka informantteina on kaksi valmistavan opetuksen oppilasta. Tutkimusaineistonani käytän Long Second –aineistoa, joka koostuu videoiduista ja litteroiduista oppitunneista yhden valmistavan vuoden opetuksen ajalta. Oma aineistoni koostuu kuudesta videoidusta oppitunnista. Tutkimukseni teoriataustana toimii toisen kielen oppimisen tutkimus ja teoria, kieliopilliset kuvaukset konjunktioista ja yhdyslauseista sekä niihin liittyvistä semanttisista suhteista. Tutkimukseni näyttää, että oppilaat oppivat muutamia, frekventeimpiä konjunktiosanoja valmistavan opetuksen aikana. Ensin kieleen ilmaantuivat sanat ja ja että (syyslukukausi), ja kevätlukukaudella kun, mutta, jos ja tai. Konjunktioita ja, että ja kun käytettiin muodostamaan yhdyslauseita, kun taas sanat mutta, jos ja tai esiintyivät puheenvuoroissa vain lausumapartikkelin funktiossa osoittamassa lausuman suhdetta aiempaan keskusteluun. Yhdyslauseita esiintyy huomattavasti enemmän kevät- kuin syyslukukaudella. Kahden informanttini konjunktioiden käyttö oli merkittävän erilaista. Toisen oppilaan konjunktioiden määrä kasvoi nopeammin ja suuremmaksi kuin toisen. Aineistosta on nähtävissä, että kummankin oppilaan konjunktioiden käyttö kehittyy vähäisestä runsaampaan ja yhdyslauseiden muodostamiseen, mutta oppilaiden väliset erot ovat suuret.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.010 | 0.007 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.066 | 0.024 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".