Suomalaisopiskelijoiden japaninkielisten kirjoitelmien virhetutkimus
Bibliographic record
Abstract
Pro Gradu-tutkielmani aihe on virheanalyysi - analysoin suomalaisten japaninkielisissä kirjoitelmissaan tekemiä virheitä. Aineistoni koostuu opiskelijoiden Sosiaalimedian Lang-8 -sivustolle lähettämistä kirjoitelmista. Tutkimukseni tarkoitus on löytää japanin kielen kirjoitelmista suomalaisille tyypillisiä virheiden piirteitä. Toivon voivani hyödyntää näitä tuloksia omassa opetuksessani, ja aikomuksenani on jakaa tulokset muiden japanin kielen opettajien kanssa. Hypoteesini ovat: (1) ääntämistavat vaikuttavat kirjoittamiseen; (2) suomen kieli vaikuttaa sanavalintoihin ja sanajärjestykseen; (3) itsenäisesti kieltä opiskelevien kirjoitelmissa on eniten kielivirheitä. Vertailuryhmät koostuvat itsenäisesti kieltä opiskelevista ja kursseille osallistuneista opiskelijoista. Teoreettisena viitekehyksenä olen käyttänyt virheanalyysin teorioita. Metodologiani ovat seuraavat: (1) tutkin miten erilaiset oppimisympäristöt vaikuttavat suomalaisten opiskelijoiden kielen tuottamiseen; (2) vertailen suomalaisten ja ruotsalaisten japaninkielisissä kirjoitelmissaan tekemiä virheitä. Olen kattavasti kartoittanut sellaisten virheiden piirteitä, jotka ovat tyypillisiä suomalaisille japaninkielen opiskelijoille. Lopputuloksena havaitsin, että sekä suomen, että ruotsin kielen ääntämistapa vaikuttaa kirjoitusmerkkien valintoihin. Molemmat kielet vaikuttavat myös sanavalintoihin. Sanojen semanttiset merkitykset vaikuttavat myös sanavalintoihin kirjoitettaessa japaniksi. Lisäksi sopimattoman tyylin valinnoista johtuvia virheitä esiintyi merkittävästi. Kun tutkin oppimisympäristön vaikutusta opiskelijoiden tekemiin virheisiin, havaitsin että itsenäisesti kieltä opiskelevat tekivät enemmän virheitä, kuin kursseille osallistuneet opiskelijat. Jatkossa olisi tärkeää tehdä vertailevaa tutkimusta (1) japanin kielen opiskelijoiden vaikeiden sanojen välttämistilanteista; (2) syntyperäisen japanin kielen puhujien vaikeiden sanojen välttämistilanteista; (3) suomen kielen ja ruotsin kielen syntyperäisen kielen puhujien sanojen välttämistilanteista. Aihetta ei ole tutkittu paljoa ja japanin kielen opetuksen kehittämisen kannalta tutkimus on myös aiheellista.
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) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.001 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.000 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.066 | 0.015 |
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".