Meänkieli ja suomen kieli Pajalan kielimaisemassa
Bibliographic record
Abstract
Tutkin työssäni meänkielen ja suomen kielen esiintymistä pohjoisruotsalaisen Pajalan kielimaisemassa. Sosiolingvistisessä työssäni on keskeistä kielimaiseman monikielisten kylttien tutkiminen. Kielimaisematutkimus on uusi monikielisyyden tutkimussuuntaus, jossa monikielisyyttä tutkitaan julkisessa ympäristössä olevista erilaisista kylteistä. Tutkimukseni tavoitteena on saada tietoa siitä, millainen asema vähemmistökielillä suomella ja meänkielellä on Pajalassa. Tutkin myös sitä, millaisen kielimaiseman Pajalan eri kielet muodostavat. Tutkimukseni on osa Pohjoinen monikielisyys -hanketta. Tutkimukseni aineisto koostuu 51 valokuvasta. Olen jaotellut kuvissa esiintyvät 55 kielellistä kylttiä virallisiin ja epävirallisiin kyltteihin. Kylteistä19 on monikielistä ja 36 yksikielistä. Olen tutkinut muun muassa suomen kielen ja meänkielen esiintymistä jaottelemalla aineistoni kyltit eri genreihin. Pro gradu -tutkielmani keskeinen tutkimustulos on, että virallisia vähemmistökieliä meänkieltä ja suomen kieltä esiintyy melko vähän Pajalan kielimaisemassa. Suomen kieli ja meänkieli esiintyvät vain harvoin samassa kyltissä. Näkyvin asema kielimaisemassa on Ruotsin valtakielellä ruotsin kielellä.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.001 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.069 | 0.018 |
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".