Kieliorientaatiot ja subjektipositiot maahanmuuttajataustaisiksi kategorisoitujen lasten ja nuorten kanssa työskentelevien sosiaalialan ammattilaisten haastatteluissa
Bibliographic record
Abstract
Tutkielmassa tarkastellaan sitä, millaisia kieliorientaatioita ja subjektipositioita maahanmuuttajataustaisiksi kategorisoitujen lasten ja nuorten kanssa työskentelevien sosiaalialan ammattilaiset rakentavat puhuessaan kielestä. Aineisto koostuu Seinäjoen ammattikorkeakoulussa toteutetun Child-up-hankkeen haastatteluista: mukana on viisi yksilöhaastattelua koulukuraattorien kanssa ja neljä ryhmähaastattelua muiden sosiaalialan ammattilaisten kanssa. Haastateltavia on yhteensä 17. Diskurssianalyysin tukena käytetään määrällisiä korpustyökaluja. Analyysi paljastaa, että koulukuraattorien aineistossa painottuu orientaatioista kieli ongelmana, muilla sosiaalialan ammattilaisilla puolestaan kieli resurssina tai oikeutena. Kuraattorien kieli ongelmana -orientaatiolla on havaittavissa yhteys toiseuttavan he-puheen myötä siihen, että lapset ja nuoret hahmotetaan huolta ja tukea tarvitsevina passiivisina kohteina, kun taas vanhempien toimintaa pidetään puutteellisena tai lasten kehitystä vaarantavana. Muiden sosiaalialan ammattilaisten resurssiorientaatiossa puolestaan painottuu usein suomen kielen oppimisen tärkeys, jolloin ammatillisen me-puheen taustalla saattaa vaikuttaa tehokkuusajattelu kielellisten oikeuksien ja monikielisyyden ihanteen sijaan ja asiakkaiden oma toimijuus nähdään vähäisenä.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.036 | 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".