Häkki hiipiti puuhu. Kahden sisaruksen varhainen kielenkehitys ja puheen lounaismurteiset piirteet.
Bibliographic record
Abstract
Tutkin Pro gradu -tutkielmassani kahden sisaruksen puheen kehitystä ensisanoista kahden ja puolen vuoden ikään saakka. Tutkimuksessani käsittelen lasten äännekehitystä, ensisanojen rakennetta, taivutuksen omaksumista, puheessa esiintyviä fonologisia prosesseja sekä puheen lounaismurteisia piirteitä. Aineisto koostuu päiväkirjamerkinnöistä sekä litteroiduista ääni- ja videotallenteista, joita olen kerännyt melko tasaisesti koko tutkimusajalta. Tutkimus kuuluu sekä lapsenkielen tutkimuksen että murretutkimuksen alaan. \n \nTutkimuksessani tarkastelen, miten informanttieni puheenkehitys on edennyt ja miten heidän puheenkehityksensä suhteutuu muiden aiemmin tutkimuksen kohteena olleiden suomenkielisten lasten puheenkehitykseen. Selvitän myös, mitä lounaismurteisia piirteitä heidän puheessaan esiintyy ja esiintyykö niitä jo ensisanojen kaudella. Tutkin myös, kuinka paljon lounaismurteinen ympäristö vaikuttaa lapsen varhaiseen kieleen, eli eroaako lounaismurteisten lasten varhainen kieli muualla Suomessa asuvien aiemmin tutkittujen suomenkielisten lasten kielestä. \n \nTutkimustulosten mukaan informanttieni varhainen äänteellinen kehitys noudattaa enimmäkseen suomenkielisten lasten tyypillistä äänteellisen kehityksen linjaa, eivätkä sisarusten keskinäisetkään erot ole suuria. Esikoisen, Vilhon, kielenkehitys etenee ensin hitaasti, mutta nopeutuu kaksitavuvaiheen väistyttyä. Nuoremmalla sisaruksella, Einolla, kielenkehitys on alussa tasaisempaa, mutta hidastuu kahden vuoden iässä hetkellisesti änkytyksen vuoksi. Sisarusten kielenkehitys on näistä hidasteista huomatta taivutuksen osalta keskimääräistä nopeampaa: esimerkiksi suomen kielen nominien taivutuksen Vilho omaksuu kaksi kuukautta ja Eino lähes kuusi kuukautta nuorempana kuin keskimääräinen suomalainen lapsi. \n \nTutkimustulokseni osoittavat, että informanttieni puheessa on havaittavissa lounaismurteisia erityispiirteitä. Heillä on melko paljon konsonanttiloppuisia ensisanoja, joiden on aiemmin katsottu olevan hyvin harvinaisia lapsenkielessä. Konsonanttiloppuisten sanojen suosiminen johtunee kotona ja lähiympäristössä puhutusta lounaismurteesta, jossa esiintyy runsaasti loppuheittoa. Myös diftongit avartuvat heillä erittäin voimakkaasti ja lounaismurteiden erikoisgeminaatiota esiintyy jonkin verran. Einolla omistusliitteiden käyttö on selvästi runsaampaa kuin suomalaislapsilla keskimäärin.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.003 | 0.003 |
| Meta-epidemiology (broad) | 0.004 | 0.002 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.000 | 0.002 |
| Open science | 0.006 | 0.002 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.129 | 0.146 |
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; both teacher heads agree on what is shown here.
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".