Bibliographic record
Abstract
Tämä kandidaatin tutkielma käsittelee ruotsin kielen vaikutusta Laitilan murteeseen. Erityisenä \ntutkimuskohteena ovat Laitilan murteen ruotsalaisperäiset tai ruotsin kielen kautta lainatut sanat. \nTutkielman tarkoituksena on selvittää, millaisia lainasanoja ruotsin kielestä on tullut Laitilan \nmurteeseen, mikä sanaluokka lainasanojen keskuudessa on yleisin ja miten lainasanat ovat sopeutuneet \nmurteeseen. Tarkastelun kohteena on myös lainasanojen määrä sekä niiden alkuperä. \nTutkimusaineistona on Samuli Simulan Laitilan murteella kirjoittama pakina, joka on julkaistu \nLaitilan vaarin pakinoita -pakinakokoelmassa vuonna 1985. Pääasiallinen aineisto tutkielmassani \nkoostuu 60:tä ruotsalaisperäisestä sanasta, jotka on systemaattisesti kerätty materiaalina toimivasta \npakinasta. Tässä tutkielmassa tutkimusmetodeina on käytetty sekä kvalitatiivisia että kvantitatiivia \nmetodeja. \nTutkielmassa perehdytään yleisesti murteeseen käsitteenä sekä käsitellään kielikontakteja. \nKielikontakteja tarkastellaan pääasiassa suomen ja ruotsin välillä, mutta hieman muidenkin kielten \nosalta. Käsitellen myös Suomen murteita ja tutustun lähemmin Laitilan murteeseen sekä materiaaliini. \nLainasanoista valtaosa on substantiiveja, mutta aineistossa on myös verbejä, adjektiiveja ja \nadverbejä. Lainasanojen kirjoitusasua tutkittaessa ilmeni, että suurin osa lainasanoista on sopeutunut \nLaitilan murteeseen hyvin, koska niiden kirjoitusasu ei eroa suuresti ruotsin yleiskielestä. Tutkimus \nosoittaa, että Laitilan murteessa on vain hieman yli 11 % ruotsalaisperäisiä lainasanoja. Noin puolet \nnäistä lainasanoista on peräisin muista germaanisista kielistä, ja vain 40 %:lla on juurensa ruotsin \nkielessä. Osa ruotsin kielen kautta lainatuista sanoista on peräisin ranskan, latinan ja kreikan kielistä.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.011 | 0.005 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.104 | 0.037 |
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".