Finlandismer i skolelevers språkbruk : En jämförelse av Åboland, Nyland och Österbotten
Bibliographic record
Abstract
Ämnet för min avhandling är finlandismer i skolelevers språkbruk på årskurs 4 och 9. Syftet är att kartlägga i vilken utsträckning eleverna behärskar de utvalda finlandismerna samt utreda vilka skillnader som framkommer i svaren mellan olika årskurser och orter. \n \nMitt material består av 142 svar från en enkätundersökning, varav 43 är från Kimitoön, 77 från Borgå och 22 från Jakobstad. Enkäten gäller fennicismer samt övriga finlandismer som ofta förekommer på finlandssvenska orter. Den omfattar 21 frågor, inklusive frågor om bakgrundsfakta. Frågorna är av flera olika slag: flervalsfrågor, öppna frågor, översättningsfrågor och frågor om ordböjning. Undersökningen är primärt kvantitativ men har också kvalitativa inslag. Resultaten diskuteras med utgångspunkt i de olika finlandismer som testas i enkäten. Hypotesen är att informanterna från årskurs 9 generellt har tillägnat sig fler finlandismer än informanterna från årskurs 4 och att informanterna från Kimitoön känner till finlandismerna mest av alla eftersom enkäten ursprungligen utarbetades för en studie av finlandismer på Kimitoön. \n \nMina resultat bekräftar det som kommit fram i tidigare undersökningar men inte fullständigt. Till en viss grad är finlandismerna som testas vanliga på alla de undersökta områdena men mot min hypotes är det informanterna från Borgå som är mest bekanta med dem. Skillnaden mellan resultaten från Borgå och Kimitoön är dock minimala medan informanterna från Jakobstad är mindre bekanta särskilt med vissa av finlandismerna. Detta visar hur det kan finnas t.o.m. avsevärda skillnader i bruket av enskilda finlandismer på olika områden, vilket bl.a. beror på att andra språk och dialekter påverkar det talade språket i olika hög grad. Att engelskan har en stark ställning syns tydligt i svaren. Därutöver visar resultaten att vissa finlandismer kunde karaktäriseras som regionala eftersom de förekommer mer på vissa områden än andra. \n \nEtt annat betydande resultat är skillnaden mellan årskurserna. Här stämmer min hypotes, dvs. att informanterna från årskurs 9 har avsevärt fler finlandismer i sitt språkbruk än informanterna från årskurs 4.
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 | 0.003 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.002 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.091 | 0.020 |
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".