”Se on siistiä osata monta kieltä.” : Kielet, taidot, arvot ja asenteet monikielisten kirjoittajien teksteissä
Bibliographic record
Abstract
Tutkielmassa tarkastellaan, miten suomea toisena kielenä kirjoittaneet ylioppilaskokelaat kuvaavat kielten oppimista sekä kokemuksiaan monikielisyydestä. Analyysin apuna käytetään Opetushallituksen Kieliprofiili-sivustolla esitettyä kieliminän käsitettä, jota lähestytään viiden näkökulman avulla: kielitaito, kielitietoisuus, kielenoppijuus, kielivaranto sekä kielellinen ja kulttuurinen moninaisuus. Tutkimuksen teoreettisen kehyksen muodostavat dialogisuus ja sosiokulttuurinen teoria. Tutkimusaineisto koostuu suomi toisena kielenä -ylioppilaskokeen monikielisyysaiheisista kirjoitelmista (258 kirjoitelmaa) syksyltä 2018. Aineiston kirjoittajien kielivaranto on varsin laaja. Kirjoitelmissaan kokelaat kuvaavat käyttävänsä arjessaan useita kieliä, osa jopa kah-deksaa kieltä. Käytettyjen kielten runsaus heijastuu myös kokelaiden moninaisiin tapoihin käyttää kieliä. Toisinaan jokin kieli on rajattu tiukasti tiettyyn tilanteeseen, toisinaan eri kieliä taas käytetään limittäin. Kirjoitelmissa kielten limittäinen käyttö liittyy erityisesti nuorten keskinäiseen vuorovaikutukseen ja tietyn ryhmän toimintatapoihin. Erillisten kielten käyttö on tyypillistä perheen tai suvun kesken. Kirjoit-tajien identiteetti kietoutuu heidän käyttämiinsä kieliin. Valtaosalle kirjoittajista suomen kieli on merkittävä osa heidän identiteettiään, ja monet kuvaavat olevansa identiteetiltään monikielisiä. Tärkeimmäksi kieleksi kirjoittajat nimeävät kuitenkin oman äidinkielensä. Kieliä on opittu niin kotona, koulussa kuin monenlaisissa informaaleissa oppimisympäristöissä ja -tilanteissa. Yleisimmin kirjoittajat kertovat oppineensa kieltä vuorovaikutuksessa kavereiden ja ystävien kanssa. Suomessa varhaislapsuudesta saakka asuneiden kirjoitta-jien kuvauksissa suomen kielen oppiminen on tapahtunut useimmiten luontevasti arjessa, kuten päiväkodissa, koulussa ja harrastuksien parissa. Hieman vanhempana Suomeen muuttaneet kuvaavat suomen kielen oppimistaan muun muassa vaikeuksien voittamisen ja eräänlaisten sankaritarinoiden avulla. Laajasta kielten kirjosta huolimatta, kirjoittajat haluavat oppia vielä lisää kieliä. He katsovat, että hyvästä kielitaidosta on hyötyä erityisesti tulevaisuuden opiskelu- ja työelämässä.
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 | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.002 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.065 | 0.028 |
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".