Bibliographic record
Abstract
Tarkastelen tässä kandidaatintutkielmassa, kuinka lokatiivisuus eli sijainnin ilmaiseminen näkyy suomenoppijoiden kielessä konkreettisissa ja abstrakteissa ilmauksissa, sekä rektioilmauksissa. Tutkielman aineistona on tekemäni sähköinen kysely, jonka olen jakanut Turun yliopistossa opiskeleville suomen ja kulttuurin opiskelijoille loppuvuodesta 2023. \n \nTarkoituksenani on tuoda uutta tutkimustietoa vieraan kielten puhujien kielitaidosta suhteessa suomen kielen lokatiivisuuteen. Pyrin myös selvittämään mahdollista ensikielten vaikutusta tuloksiin. Tutkielmani tutkimusmenetelmänä on kvantitatiivinen kielentutkimus, eli keskityn lokatiivisten ilmausten korrektien vastausten määrään. \n \nTutkimukseni on ajankohtainen, sillä suomi toisena kielenä -ala kehittyy jatkuvasti tieteen ja koulutuksen saralla. Saamani tulokset tuovat lisää merkityksellistä tietoa suomenoppijoiden kielitaidosta. Lokatiivisuus on lisäksi suomen kielessä hyvin yleinen ilmiö, minkä vuoksi sen monipuolinen tutkiminen on merkityksellistä. \n \nTyöni tulosten mukaan konkreettiset ilmaisut olivat helpoimpia suomenoppijoille, kun taas abstraktit ilmaisut ja rektioilmaisut tuottivat enemmän vaikeuksia. Näin ollen suomen opetuksessa on selkeästi helpompaa ymmärtää ja soveltaa konkreettisia ilmauksia kuin abstrakteja ilmauksia tai rektioita, jotka vaativat enemmän osaamista ja syvempää ymmärrystä. Ensikielellä oli mahdollisesti vaikutusta tuloksiin, jos sen kielikunta oli typologisesti kaukana suomen kielestä.
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 | 0.006 | 0.002 |
| Scholarly communication | 0.011 | 0.004 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.174 | 0.051 |
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".