Språkval bland finlandssvenska ungdomar i Svenska samskolan i Tammerfors
Bibliographic record
Abstract
Pro gradu -tutkielmani käsittelee Tampereella, Suomen suurimmalla ja sisämaan ainoalla niin sanotulla ruotsalaisella kielisaarekkeella, asuvien suomenruotsalaisten nuorten käytännön kielivalintoja. Tutkielmani tarkoituksena on selvittää, kumpaa kieltä, suomea vai ruotsia, suomenruotsalaiset nuoret käyttävät erilaisissa arkisissa tilanteissa: kotona, koulussa, vapaa-ajalla kavereiden kanssa ja harrastuksissa ja mitkä tekijät vaikuttavat heidän kielivalintoihinsa. Nämä suomenruotsalaisten nuorten tekemät käytännön kielivalinnat ovat sekä yhteiskunnallisesti että kielitieteellisesti kiinnostavia, koska ne vaikuttavat ruotsin kielen ja ruotsinkielisen kulttuurin säilymiseen Tampereella. Tutkielmani on kyselytutkimus, jonka suoritin Tampereen ruotsinkielisen yhtenäiskoulun lukiolaisten keskuudessa syksyllä 2008. Tutkimusaineistoni olen rajannut koskemaan niitä nuoria, joiden vanhemmista toinen tai molemmat ovat rekisteröidyltä äidinkieleltään ruotsinkielisiä. Tutkimusaineisto muodostuu näin ollen yhteensä 40 vastatusta kyselylomakkeesta, joita analysoin niin kvantitatiivista kuin kvalitatiivista menetelmää käyttäen. Tutkimukseni mukaan suurin osa Tampereen suomenruotsalaisista nuorista käyttää paljon suomea ruotsin ohella jokapäiväisessä elämässään. Useimmat käyttävät sekä suomea että ruotsia niin kotona, koulussa kuin kavereiden kanssa vapaa-ajalla ja harrastuksissa kieli on useimmiten pelkästään suomi. Tutkituista kielenkäyttötilanteista koti ja koulu ovat kuitenkin selvästi ruotsinkielisimmät ympäristöt kun taas vapaa-aikaa hallitsee suomi. Vanhempien kanssa kielivalintaan vaikuttaa useimmiten vanhemman kielitaito, äidinkieli tai halu puhua tiettyä kieltä lastensa kanssa. Sisarusten kanssa kielivalinnassa on yleensä kyse tavasta. Koulussa suomea käytetään ruotsin lisäksi kavereiden kanssa pääasiassa siksi, että siitä on muodostunut tapa tai se koetaan luonnollisemmaksi valinnaksi. Vapaa-ajalla kavereiden kanssa kielivalintaan vaikuttaa eniten keskustelukumppanin kielitaito ja harrastuksissa kanssaihmiset sekä kieli, jolla harrastus on järjestetty.
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 | 0.002 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.005 | 0.001 |
| Scholarly communication | 0.010 | 0.004 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.077 | 0.032 |
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".