Se tul suara muu silmähä se pallo ja mää rupesi pelkkämä : illatiivin variaatio Kuivalahden murteessa
Bibliographic record
Abstract
Tässä kandidaatintutkielmassa tarkastelen illatiivin variaatiota Kuivalahden murteessa. Tutkielmani on osa Kotimaisten kielten keskuksen Suomen murteiden seuruuhanketta. Tarkoituksenani on tutkia, vaihteleeko varianttien esiintyvyys aikakausittain, ikäryhmittäin ja tapaus-ryhmittäin. Lisäksi tarkastelen muutaman henkilön idiolekteittaista illatiivin muutosta. Tutkielmani kuuluu murteentutkimuksen ja variationistisen sosiolingvistiikan aloihin. Lähestyn ikäryhmittäistä synkronista vaihtelua näennäisaikametodilla ja aikakausittaista diakronista vaihtelua reaaliaikametodilla. Käytän aineistonani vuoden 1995 Eurajoen murteen murrenauhoitteiden litteraatteja ja vuosien 2024–2025 murrenauhoitteita. Sekä litteraatteja että nauhoitteita on 7,5 tuntia, ja informantteja on molemmissa aineistoissa 15 eli kolmesta eri ikäryhmästä viisi. Olen kerännyt vuosien 2024–2025 aineiston osana Suomen murteiden seuruuhanketta haastatellen informantteja puolistrukturoidusti. Poimin informanttien esiintymät aineistosta ja laskin jokaisen variantin esiintymämäärät manuaalisesti. Tutkimustulosten perusteella illatiivin eri päätevarianteista ø(n)-variantti on kumpanakin vuosikymmenenä yleisin variantti, mutta sen esiintyvyys on vähentynyt vuodesta 1995. V(n)-pää-tevariantti on vuonna 1995 harvinaisin variantti kaikilla ikäryhmillä paitsi lapsilla, kun taas vuosina 2024–2025 se on lasten ja keski-ikäisten käytetyin variantti. HV(n)-variantin esiintyvyys puolittuu vuodesta 1995, eikä sitä esiinny vuosien 2024–2025 aineistossa ollenkaan lapsilla. Illatiivivarianttien esiintyvyys vaihteli myös sen perusteella, oliko illatiivimuoto MA- infinitiivissä vai nominissa. Ø(n)-variantti oli yleisin muoto MA-infinitiivissä, ja hV(n)-varianttia esiintyi käytännössä ainoastaan nominien illatiivissa.
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 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.031 | 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".