Fult språk i två svenskspråkiga diskussionsforum för ungdomar
Bibliographic record
Abstract
Tutkielman tarkoituksena on tutkia ja verrata keskenään ruman kielen käyttöä kahdella ruotsinkielisellä nuorille suunnatulla keskustelufoorumilla. Keskustelufoorumeista toinen on ruotsinruotsalainen ungdomar.se ja toinen suomenruotsalainen shsweb.fi. Tutkimuskohteena olevalla rumalla kielellä tarkoitetaan kirosanoja, haukkumasanoja, korostavia etuliitteitä sekä muita sanoja, jotka koetaan tabuiksi. Tutkimuksen kohteena on myös vieraiden kielten, erityisesti englannin vaikutus rumaan kielenkäyttöön sekä suomen kielen vaikutus suomenruotsalaisten nuorten kielenkäyttöön. Olen poiminut kummaltakin keskustelufoorumilta yli 300 sanaa, fraasia tai lausetta, jotka ovat olleet tärkeitä tämän tutkimukset näkökulmasta. Poiminnot olen sen jälkeen lajitellut eri kategorioihin niiden funktion, kieliopillisen aseman tai alkuperän mukaan. Eri kategorioita olen analysoinut sekä määrällisin että laadullisin menetelmin. Lopuksi olen tutkinut kuinka ruman kielen käyttö eroaa toisistaan ruotsinruotsalaisella ja suomenruotsalaisella keskustelufoorumilla. Tulokset osoittavat, että kirosanojen funktionaaliset ja kieliopillisen integraation erot ovat melko pieniä. Yleisin funktio kirosanoille oli niiden käyttö adjektiivin tai adverbin vahvistussanana. Ruotsinruotsalaisessa materiaalissa yleisin vahvistussana oli jävla, kun se suomenruotsalaisessa materiaalissa oli fittig. Englanninkielisiä sanoja ja fraaseja esiintyi molemmissa kielivarianteissa runsaasti; suomenruotsalaiset nuoret käyttivät pääasiassa vakiintuneita englanninkielisiä fraaseja, kun taas ruotsinruotsalaiset nuoret muokkasivat fraaseista uusia johdoksia. Suomenruotsalaisten nuorten kaksikielisyys näkyi myös selvästi tutkimusmateriaalissa ja suomenkielisiä sanoja, fraaseja ja lauseita, kuten myös finlandismeja, esiintyi runsaasti limittyneenä ruotsinkieliseen keskusteluun.
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 | 0.005 | 0.021 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.006 | 0.003 |
| Scholarly communication | 0.016 | 0.008 |
| Open science | 0.002 | 0.009 |
| Research integrity | 0.004 | 0.006 |
| Insufficient payload (model declined to judge) | 0.224 | 0.152 |
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".