Miten lääkäri mukauttaa kieltään suomea toisena kielenä puhuvan potilaan taitotasoon sopivammaksi?
Bibliographic record
Abstract
Pro gradu -tutkielmassani tutkin maahanmuuttajille suunnatun puheen (engl. foreigner talk) piirteitä sellaisilla lääkärin vastaanotoilla, joilla lääkäri puhuu suomea äidinkielenään ja potilas toisena kielenä. Keskityn tutkimuksessani siihen, miten lääkäri yksinkertaistaa puhettaan sanastoltaan ja lauserakenteiltaan sekä keskustelun sekventiaalisen rakentumisen kautta potilaalle helpommin ymmärrettäväksi. Tutkimusmetodini on keskustelunanalyysi. Tutkimukseni on luonteeltaan kvalitatiivista eli olen keskittynyt kielen piirteiden laadulliseen analysointiin. \n \nTutkimukseni on osa Monikulttuuriset kohtaamiset lääkärin vastaanotolla -hanketta, jonka tavoitteena on selvittää kielellisistä ja kulttuurisista eroista johtuvia vuorovaikutuksellisia haasteita sekä niihin liittyviä selviytymiskeinoja. Oma tutkimukseni antaa erityisesti tietoa siitä, millä kielellisillä keinoilla suomalaiset lääkärit pyrkivät sujuvoittamaan vuorovaikutusta kakkoskielisen potilaan kanssa. Hankkeelta saamani aineisto koostuu yhdeksästä yleislääkärin vastaanotosta, jotka on videoitu ja äänitetty Turussa vuosina 2012−2013. Lääkäreitä on aineistossani yhteensä viisi ja potilaita yhdeksän. \n \nTutkimukseni perusteella aineistoni lääkäreistä erottui yksi, jonka puhe oli voimakkaasti yksinkertaistettua: hänen puheessaan esiintyi konkreettisia ja yleisesti käytettyjä sanavalintoja, implisiittisiä ja eksplisiittisiä sanaselityksiä sekä ymmärtämistä helpottavia eleitä. Lauserakenteiden yksinkertaistamista esiintyi tämän lääkärin neljästä vastaanotosta lähinnä yhdellä, jolla potilaan kielitaito oli aineistoni muihin S2-puhujiin verrattuna puutteellisin. Mukauttaminen johti tällöin myös puheen epäkieliopillisiin ilmauksiin. Muilla neljällä lääkärillä mukauttaminen ei ollut niin voimakasta tai yksinkertaistuksia ei ollut juuri lainkaan. \n \nAiheesta on tähän mennessä tehty suomen kielessä varsin vähän tutkimusta. Suomea toisena kielenä puhuvien maahanmuuttajien kanssa keskustelu on kuitenkin entistä tavallisempi osa suomalaisten arkipäivää esimerkiksi asiakaspalvelutilanteissa. Tämä puoltaa aihetta käsittelevän tutkimuksen tarpeellisuutta.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.751 | 0.007 |
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; both teacher heads agree on what is shown here.
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".