Selkokieli ja morfologia: Vartalonvaihdosten vaikutus S2-oppijoiden lukusujuvuuteen
Bibliographic record
Abstract
Selkokieli on suomen kielen muoto, joka on mukautettu sisällöltään, sanastoltaan ja rakenteeltaan yleiskieltä yksinkertaisemmaksi. Maahanmuuton lisääntyessä Suomessa jatkuvasti on tärkeää tehdä suomenkielistä tietoa helpommin saavutettavaksi, esimerkiksi kehittämällä selkokieltä ymmärrettävämmäksi. Suomen kielen morfologia on rikas, mikä aiheuttaa usein haasteita suomen kieltä toisena kielenä (S2) opiskeleville. Kieliopillisia funktioita ilmaistaan taivuttamalla sanoja eli yhdistämällä morfeemeja, kielen pienimpiä merkityksellisiä yksiköitä, toisiinsa. Lisäksi sanavartalossa tapahtuu usein morfofonologisia muutoksia, jotka muuttavat sanan ilmiasua (esim. vesi: vettä, matto: maton). Näistä mahdollisista haasteista huolimatta selkokielen laatimisessa ei juurikaan ohjeisteta morfologian huomioimista. Tämän tutkimuksen tavoitteena oli selvittää katseenseurantaa hyödyntäen, vaikuttavatko taivutuksen yhteydessä tapahtuvat vartalonvaihdokset lukusujuvuuteen S2-oppijoilla. \n \nKokeessa S2-oppijat lukivat tietokoneen näytöltä lyhyitä selkokielisiä tekstejä samalla, kun kamera kuvasi heidän silmänliikkeitään. Teksteissä oli joko paljon vartalonvaihdoksia sisältäviä sanoja, tai sanat oli korvattu semanttisesti samankaltaisilla ja esiintymistaajuudeltaan verrattavissa olevilla sanoilla, joissa vartalonvaihdoksia ei esiintynyt. Lukusujuvuutta mitattiin näihin kohdesanoihin ja niitä seuraaviin sanoihin kohdistuneiden fiksaatioiden kestolla, regressioilla eli katseen taaksepäin suuntautumisilla, sekä tekstin kokonaislukuajalla. Varianssianalyysissä havaittiin, että vartalonvaihdosten esiintyvyydellä ei ollut päävaikutusta lukusujuvuuteen koko aineistossa, mutta kun osallistujat jaettiin kahteen ryhmään luetun ymmärtämisellä arvioidun kielitaidon mukaan, havaittiin vartalonvaihdosten esiintyvyydellä ja kielitaidolla yhdysvaikutus ensimmäisen lukukerran kestoon ja fiksaatioiden kokonaiskestoon kohdesanoja seuraavissa sanoissa. Vartalonvaihdoksen sisältävät sanat hidastivat näissä mittareissa kielitaidoltaan heikompien lukusujuvuutta, mutta kielitaidoltaan parempien lukusujuvuuteen vartalonvaihdokset eivät vaikuttaneet. \n \nTutkimuksessa saatu tieto on osittain samansuuntaista kuin aiemmissa morfologiatutkimuksissa, ja tukee maltillisesti hypoteesia, että suomen kielessä esiintyvät sanavartaloiden morfofonologiset muutokset aiheuttavat haasteita etenkin aloittelevimmille S2-oppijoille. Tässä tutkimuksessa vartalonvaihdosten prosessointia tarkasteltiin ensimmäistä kertaa selkokielessä, mikä antaa viitteitä sille, että vartalonvaihdoksiin voisi olla hyödyllistä kiinnittää huomiota selkokieltä tuotettaessa.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.038 | 0.008 |
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".