"Kunnon hyvä, ja e helt messis!" : kielten vaihtelua suomenruotsalaisessa WhatsApp-keskustelussa
Bibliographic record
Abstract
Tiivistelmä – Referat – Abstract Tutkielmassa tarkastellaan kielten vaihtelua kahden suomenruotsalaisen naisen WhatsApp-keskustelussa. Keskustelun pääkieli on ruotsi, ja siinä esiintyy runsaasti upotettua suomenkielistä ainesta. Tutkielman päämääränä on selvittää, minkälaisissa rakenteissa ja funktioissa suomenkielistä ainesta esiintyy. Kielten vaihtelua tarkastellaan sekä vuorovaikutussosiolingvistisestä että kieliopillisesta näkökulmasta. Aineisto koostuu kahden informantin välisestä WhatsApp-keskustelusta viiden vuoden ajalta. Tuolloin naiset ovat olleet 25-30-vuotiaita. Informanteilla on keskenään hyvin samankaltainen kielellinen tausta: He ovat kasvaneet ruotsinkielisissä perheissä kaksikielisessä Porvoossa. Molempien kotikieli on ollut ruotsi, mutta suomen kieli on tullut tutuksi harrastusten, ystävien ja valtamedian kautta. Kumpikin on työskennellyt myös monikielisissä työyhteisöissä. Aineisto on toimitettu tiedostomuodossa, jossa näkyy tekstin lisäksi hymiöt, eli emoticonit. WhatsApp-keskustelulle ominaiset emojit puuttuvat aineistosta kokonaan, ja animaatiot, videot sekä ääniviestit näkyvät ”Media jätettiin pois” -merkintänä. Viestejä on yhteensä 1072. Niissä on sanoja yhteensä n. 17 000. Viestiketjut on muokattu autenttisemman näköiseen muotoon Fake WhatsApp Chat -generaattorilla. Informanttien ja muiden henkilöiden nimet on muutettu. Kielten vaihtelun analyysissa hyödynnetään sekä sosiolingvistiikkaa että keskustelunanalyysia. Pääkieleen upotettua suomenkielistä ainesta tarkastellaan kieliopillisesta näkökulmasta, mutta piirteille etsitään selitystä myös aiemmasta murre- ja verkkoviestinnän kielen tutkimuksesta. Kielten vaihtelun tarkastelussa hyödynnetään mm. koodinvaihdon tutkimusta. Koodinvaihdon sijaan tutkielmassa käytetään termiä kielten vaihtelu. Suomen kielen käyttö ruotsin kielen seassa on ominaista helsinginruotsille, mutta myös itäuusmaalaisille ruotsin murteille. Viestinnän puhekielisyys ja lopetusmerkkien puuttuminen puolestaan on tyypillistä verkkoviestinnän kielelle. Suomenkielistä ainesta tarkastellaan sekä sanaluokittain että syntaktisissa asemissa. Suomen kieltä esiintyy aineistossa kokonaisina lauseina tai lausekkeina, yksittäisinä sanoina upotettuna matriisikieleen ja sanansisäisenä vaihteluna. Sanansisäisellä tasolla tarkastellaan suomenkielisten nominien ja verbien mukautumista ruotsin kieleen. Lopuksi sivutaan lyhyesti kokonaisina lauseina esiintyviä muunkielisiä aineksia ja muita esiintyneitä kielenpiirteitä. Tutkielmasta ilmenee, että informanttien välisessä keskustelussa on runsaasti sekä murrealueelle että verkkoviestinnälle tyypillisiä piirteitä. Kielten vaihtelussa on havaittavissa tiettyä säännönmukaisuutta mm. taivutuspäätteissä. Aineistosta voi päätellä, että viestintä on muuttunut yleiskielisemmäksi vuosien saatossa. Naisten välinen kielirekisteri siis kehittyy, ja yleiskielisempi suuntaus voi olla työelämän kielenkäytön vaikutusta.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.005 | 0.003 |
| Scholarly communication | 0.007 | 0.007 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.088 | 0.035 |
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".