Toisen kielen vaikutus kolmannen kielen oppimiseen : Viroa osaavien venäjänkielisten suomenoppijoiden rektiovalintoja
Bibliographic record
Abstract
Tässä tutkielmassa tarkastellaan venäjänkielisten suomea vieraana kielenä opiskelevien opiskelijoiden rektioiden hallintaa. Suurin osa informanteista osaa viroa toisena kielenä, mikä luo mielenkiintoisen asetelman tutkimukselleni: hypoteesini on, että äidinkielenäan venäjää puhuvat informantit käyttävät viron taitoaan hyödyksi suomen rektion valitsemisessa. Viron ja suomen samankaltaisuuden vuoksi opiskelijat voivat tosiaan käyttää viroa apuna suomen rektioiden tuottamisessa, mutta vain tietyissä tapauksissa. Viron ja suomen samankaltaisuudesta huolimatta suomen ja viron rektiot eroavat aika usein. Tämän tutkimuksen tavoitteena on siis selvittää toisen kielen vaikutusta kolmannen kielen omaksumiseen, missä venäjä on äidinkieli, viro on toinen kieli ja suomi on kolmas kieli. Aineisto koostuu opiskelijoiden tekemistä rektiovalintatesteistä. Aineistoon kuuluu sekä varsinainen aineisto että vertailuaineisto. Varsinaisen aineiston informantteina on 48 viroa toisena kielenä osaavaa äidinkieleltään venäjänkielistä kielenoppijaa, vertailuaineiston informanttienkin äidinkieli on venäjä, mutta he eivät osaa viroa. Perustelen informanttien jakamista kahteen ryhmään sen mukaan, osaako oppija viroa vai ei, sillä, että halusin tarkastella, eroavatko oppijoiden tulokset tapauksissa, kun suomessa ja virossa on sama rektio, eli esiintyykö viroa osaavien oppijoiden tuloksissa positiivinen toisen kielen vaikutus. Aineisto on analysoitu sekä kvalitatiivisesti että kvantitatiivisesti. Tutkimus osoittaa, että informanttien vastauksissa esiintyy viron kielen positiivinen vaikutus, mutta se ei ole kuitenkaan erittäin merkittävä. Viron kieltä osaavilla venäjänkielisillä oppijoilla on enemmän oikeita vastauksia tapauksissa, joissa verbi vaatii saman rektion suomessa ja virossa. Vertailuaineiston kannalta toisen kielen positiivista vaikutusta ei esiinny: varsinaisen aineiston informantit tuottivat vertailuaineiston informantteja vähemmän oikeita vastauksia niissä tapauksissa, joissa rektio oli sama virossa ja suomessa.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.002 |
| Scholarly communication | 0.008 | 0.004 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.049 | 0.013 |
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".