Språkfärdighet i svenska och användning av svenska inom handelsbranschen : en enkätstudie i Mellersta Finland
Bibliographic record
Abstract
Tutkimukseni tavoitteena oli selvittää ruotsin kielen osaamista ja ruotsin kielen käyttöä kaupan alalla Keski-Suomessa. Tutkimukseen valikoitui yksi kaupan alan yritys Keski-Suomesta ja tutkimus toteutettiin sähköisen kyselylomakkeen avulla. Kyselylomakkeella selvitettiin sekä vaihtoehtokysymysten että avointen kysymysten avulla tutkittavien tausta, heidän oma näkemyksensä ruotsin kielen osaamisestaan sekä miten he käyttävät ruotsin kieltä työelämässä kaupan alalla. Kyselyyn vastasi 63 tutkittavaa. Tutkimuksen tulokset osoittivat, että suurin osa vastaajista arvioi ruotsin kielen taitonsa melko matalaksi. N. 70% vastaajista arvioi ruotsin kielen osaamisensa vastaavan kouluarvosanaa 4, 5 tai 6. 30% vastaajista arvioi osaamisensa vastaavan kouluarvosanaa 7 tai 8 ja alle 2% arvioi sen vastaavan arvosanaa 9. Kukaan ei arvioinut ruotsin kielen osaamistaan arvosanalla 10. Suurin osa vastaajista arvioi puhumisen heikoimmaksi ja luetunymmärtämisen vahvimmaksi osa-alueekseen ruotsin kielessä. Tutkimuksesta kävi ilmi, että ruotsin kieltä käytetään todella vähän kaupan alalla Keski-Suomessa. Suurin osa nimesi myös, etteivät he tarvitse ruotsin kieltä kaupan alalla. Jos ruotsin kieltä kerrottiin käytettävän, niin sitä käytettiin erilaisissa asiakaspalvelutilanteissa, kuten puhumisessa, neuvomisessa ja tuotteiden etsimisessä.
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 | 0.004 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.007 | 0.003 |
| Scholarly communication | 0.009 | 0.005 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.035 | 0.006 |
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".