Nauta, näätä vai näyttää? Diftongien ja pitkien vokaalien havaitseminen ja tuottaminen suomen kielen alkeiskurssilla
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Suomenoppijoiden ääntämistä ei ole tutkittu vielä tarkasti. Esittelen työssäni kielenoppimisen osa-alueita, jotka koskevat ääntämistä erityisesti diftongien ja pitkien vokaalien osalta. Foneettinen tietoisuus kielestä on avuksi sekä opettajalle että oppijalle. \n \nInformantteina on 24 suomen alkeiskurssin opiskelijaa: kuusi Ranskasta ja Saksasta, viisi Italiasta ja neljä Espanjasta ja Unkarista. Tutkimuksen aineistona on viisi sanasanelua kolmen viikon alkeiskurssilta ja nauhoitus kurssin lopusta. Tarkastelen oppijoiden tuotoksia sekä kirjallisesta että nauhoitetusta aineistosta. Tutkimuskohteenani on kielenpiirteet, jotka on todettu haasteellisiksi vieraskielisille suomenoppijoille jo aiemmissa tutkimuksissa. Havainnoin erikielisten oppijoiden tuloksia ja vertailen eri äidinkieltä puhuvien tuotoksia toisiinsa. \n \nTavoitteenani oli selvittää, mitkä diftongit ja pitkät vokaalit ovat informanteille vaikeimpia ja millaisia variantteja informantit äänteistä tuottavat. Vaikeimmiksi vokaaleiksi osoittautuivat suomen omaperäiset ä ja ö sekä sellaiset diftongit tai pitkät vokaalit, jotka sisältävät kyseisiä äänteitä. Eri äidinkielisten oppijoiden tuottamat äänteiden variantit vaihtelevat.
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.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.011 | 0.005 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 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 it