Ääntäminen puhumisen taidon arvioinnissa
Bibliographic record
Abstract
Mitä merkitystä ääntämisellä on, kun arvioidaan yleisten kielitutkintojen osallistujan puhumisen taitoa? Haittaako se, jos osallistuja puhuu esimerkiksi venäjää Turun murteella? Riittääkö se, että ääntäminen on ymmärrettävää ja osallistuja tuottaa paljon puhetta taitavalla kieliopilla ja sanavarastolla? Mitä ääntäminen ylipäätään on? Tarkoitetaanko sillä yksittäisten äänteiden tuottamista vai otetaanko mukaan myös äännettä laajemmat kokonaisuudet eli prosodiset piirteet, kuten intonaatio ja sanapaino? Onko ääntämisen osaaminen sitä, että suomalainen englanninpuhuja ei puhu rallienglantia, vaan ääntää englantia syntyperäisen kielenpuhujan tavoin? Mikä silloin on tavoiteltu syntyperäisen kielenpuhujan variantti, onko se brittienglanti vai amerikanenglanti vai kelpaako mahdollisesti myös Australian tai Nigerian englanti? Yllä mainitut kysymykset kuvaavat ääntämisen määrittelyn ja arvioinnin problematiikkaa. Tässä artikkelissa en pysty antamaan vastauksia kaikkiin yllä oleviin kysymyksiin, vaan keskityn siihen, mikä rooli ääntämisellä on puhumisen taidon arvioinnissa YKIssä, jossa se on yksi puhumisen taidon arvioinnin kuudesta osakriteeristä. Käsittelen aihetta pääasiassa Suomen Akatemian rahoittaman Rikkinäistä suomea: Aksenttien arviointi yhteiskunnallisena portinvartijana (2018–2024) -hankkeen tulosten pohjalta. Hankkeessa olemme tutkineet mm. ääntämisen merkitystä suomen keskitason tutkinnon puhumisen arvioinnissa. Hankkeen aineistona oli yksi puhetehtävä 49:ltä yleisten kielitutkintojen suomen keskitason tutkinnon osallistujalta viidestä eri ensikieliryhmästä: venäjä, ruotsi, arabia, viro ja thai. Nämä näytteet arvioi 44 YKIn arvioijaa. Hankkeen tutkimusasetelma on kuvattu ja teoreettiset lähtökohdat selitetty muualla (esim. Halonen, Huhta, Ahola, Hirvelä, Neittaanmäki, Ohranen & Ullakonoja 2020; Halonen, Ahola, Hirvelä, Neittaanmäki, Ohranen & Ullakonoja 2024).
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.021 | 0.005 |
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".