The linguistic landscape and representations of Finnish parliamentary parties on their websites
Bibliographic record
Abstract
Virtuaalisen kielimaisematutkimuksen avulla voidaan tarkastella kielenkäyttöä netissä ja tuoda ilmi kielten välisiä valtaeroja (Ivkovic and Lotherington 2009: 32). Poliittiset puolueet hyödyntävät nettisivuja jakaakseen tietoa, saadakseen ihmiset kiinnostumaan politiikasta ja demokratiasta, ja luodakseen suhteita kannattajiensa kanssa (Gibson and Ward 2000: 305–306). Nettisivuja voidaan hyödyntää myös tietynlaisen kuvan ja imagon luomiseen. Tässä tutkimuksessa tarkastellaan Suomen eduskuntapuolueiden nettisivujen kielimaisemia ja puolueiden muodostamia representaatioita itsestään. Tarkoituksena on selvittää, mitä kieliä puolueet käyttävät nettisivuillaan ja millaisia valintoja kielellisen sisällön suhteen on tehty. Tämän lisäksi tavoitteena on selvittää, millaisia representaatioita puolueista voidaan havaita nettisivuilla, ja kuinka nämä representaatiot tukevat sitä kuvaa, minkä puolueet haluavat itsestään luoda. Tutkimuksen aineisto koostuu Suomen kymmenen eduskuntapuolueen nettisivuista ja niiden erikielisistä kotisivuista. Tutkimus hyödyntää multimodaalisen diskurssianalyysin ja kielimaisemateorian lähtökohtia, sekä multimodaalista viitekehystä (Pauwels 2012). Analyysi osoittaa, että eduskuntapuolueiden nettisivujen välillä on eroja siinä, millä kielillä tietoa on tarjolla ja minkä verran kunkin kielen osalta. Kymmenen eduskuntapuolueen nettisivuista kahdeksan tarjoaa suomen lisäksi muita kielivaihtoetoja, ja seitsemällä puolueella on englanninkieliset kotisivut. Tuloset viittaavat siihen, että puolueiden suomenkieliset nettisivut ovat luonteeltaan enemmän vuorovaikutuksellisia, kun taas englanninkieliset kotisivut tähtäävät enemmän yleiseen informaation jakamiseen. Tulokset osoittavat myös, että puolueet hyödyntävät useita erilaisia resursseja, kuten kuvia ja kielellisiä valintoja luodessaan representaatioita. Puolueet käyttävät esimerkiksi yhteisöllisyyden, suomalaisuuden, ainutlaatuisuuden ja asiallisuuden representaatioita luodessaan tietynlaista kuvaa ja imagoa itsestään.
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.004 | 0.005 |
| Science and technology studies | 0.007 | 0.006 |
| Scholarly communication | 0.014 | 0.009 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.012 | 0.002 |
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".