Eponyymiset idiomit suomen kielessä: Esimerkkitapauksena presidenttiviitteiset verbilausekekonstruktiot
Bibliographic record
Abstract
Suomen kielelle on tyypillistä käyttää monikkoa muissakin funktiossa kuin pelkkää useutta ilmaisemassa. Lisäksi suomen kielessä, kuten myös mm. englannissa ja ruotsissa, saatetaan erisnimiä käyttää varsinaisen käyttötarkoituksen lisäksi myös yleisnimen tapaan. Erottuakseen normaalista käytöstä erisnimi on usein kirjoitettu pienellä alkukirjaimella ja sitä käytetään monikossa. \n \nTässä tutkimuksessa keskitymme eponyymisiin konstruktioihin, tehdä + Nprop-PL -muotoisiin verbilausekeidiomeihin, jotka koostuvat tehdä-verbistä ja komplementista, joka on monikossa oleva erisnimi. Tyyppinä idiomi on varsin yleinen, vaikka sitä ei yleensä sanakirjoissa nähdä, koska sen merkitys on tilannesidonnainen ja pääteltävissä yleensä ainoastaan kontekstista. \n \nTutkimuskohteeksi on valittu Suomen tasavallan presidenttien nimen sisältävät idiomit, esim. tehdä kekkoset, tehdä tarjahaloset, tehdä Niinistöt. Aineisto koostuu 299 idiomista, jotka on koottu internetistä.
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 | 0.000 | 0.000 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.077 | 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".