Latvian ja Helsingin slangisanojen ja -ilmaisuiden vertailua
Bibliographic record
Abstract
Pro gradu -työni kuuluu sosiolingvistiikan alaan ja tutkimuksen päätavoitteena on tutkia Latvian ja Helsingin slangin yhtäläisyyksiä ja eroja. Lähdeaineisto koostuu Latvian ja Helsingin slangiin liittyvistä materiaaleista. Latvian slangin aineistomateriaaleista merkittävin lähde on Ojārs Bušsin ja Vineta Ernstsonen yhteistyönä tekemä slangisanakirja Slenga vārdnīca (2009), joka sisältää noin 8 000 latvialaista slangisanaa sisältäen niiden merkityksen ja etymologian. Helsingin slangiin liittyvistä aineistomateriaaleista erityisesti emeritusprofessori Heikki Paunosen tutkimuksista on ollut paljon apua. Niissä on laajasti tietoa Helsingin slangin historiasta ja sen kehityksestä ja ne sisältävät lisäksi laajan slangitermistön. Kerättyäni tutkimusaineistoni Latvian ja Helsingin slangeista kiinnitin erityisesti huomiota slangien historiaan, niiden ominaispiirteisiin sekä nykypäivän tilanteeseen. Tutkimuksessa ongelmia tuottivat toisinaan vaikeaselkoiset Latvian slangisanat, niiden merkitykset sekä alkuperät. Tutkielman johdannossa esitän tutkimuksen päätavoitteen sekä sen materiaalit ja metodin. Toinen luku käsittelee yleisesti slangia ja sen määrittelemistä. Molempien slangien omat alaluvut käsittelevät identtisesti aiheita, joita ovat slangin historia, ominaispiirteet ja tulevaisuudennäkymät. Slangien käyttäjät ja aihepiirit esitellään omissa luvuissaan kuten myös muiden kielien vaikutus slangiin. Työni vertailuosassa analysoin saamiani tuloksia sekä vertailen Latvian ja Helsingin slangin piirteitä toisiinsa. Lopuksi teen yhteenvedon päätelmäosassa tutkielmani tuloksista. Molempia slangeja käytetään nykyään etupäässä puhekielessä. Aineiston tarkastelu osoittaa, että Suomessa Helsingin slangia käytetään paljon enemmän ja se on levinnyt laajemmin kuin Latvian slangi. Molempia slangeja on tutkittu laajasti ja niistä on julkaistu kirjallisuutta ja sanakirjoja. Yhtenäistä slangeille on samojen asioiden/aiheiden käsitteleminen (esimerkiksi alkoholi, tupakka, huumeet) sekä slangisanan muodostaminen alkuperäistä sanaa lyhentämällä. Eritoten Latvian slangissa on yleistä diminutiivijälkiliitteen lisääminen lyhennetyn alkuperäisen sanan loppuun. Kummassakin slangissa esiintyy paikannimiä, tosin Helsingin slangissa niitä esiintyy paljon enemmän kuin Latvian slangissa. Molemmissa kielissä on paljon germanismeja; suomen kielessä ne ovat ruotsista ja latvian kielessä saksan kielestä. Lisäksi latvian kieleen on lainautunut Neuvostoliiton ajalta merkittävästi rusismeja. Englannin kielellä on suuri vaikutus kummankin slangin uuteen sanastoon. Molemman slangin asema vaikuttaa nykyään olevan stabiili. Slangia käyttää pääasiassa nuoriso, mutta sitä käyttävät myös vanhemmat ikäluokat. Pro gradu -tutkielmaani voisi jatkossa hyödyntää esimerkiksi laajentamalla sen vertailevaksi jatkotutkimukseksi, jossa voisi olla mukana muitakin slangeja kuin Latvian ja Helsingin slangit. Jatkossa voitaisiin keskittyä esimerkiksi sanojen etymologiaan ja siihen, kuinka paljon englannin kieli on vaikuttanut tutkittaviin slangeihin.
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 | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.055 | 0.010 |
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".