Utforskning av samisk og norsk identitet med joik som utgangspunkt; en post-kvalitativ studie
Bibliographic record
Abstract
I dette mastergradsprosjektet forsker jeg på hvordan jeg kan bruke utforskning av joik til å få en dypere forståelse for min flerkulturelle samiske og norske identitet. Målet med forskningen er å få en dypere forståelse for identiteten til noen (meg) som har en flerkulturell identitet bestående av samisk og norsk bakgrunn. Jeg gjennomfører fem forskjellige øvingsøkter som jeg har tatt videoopptak av, og viser snutter fra disse videoene i oppgaven med QR-koder. Joik er en muntlig videreførende tradisjon fra generasjon til generasjon. Jeg er samisk og norsk, men har vokst opp uten å lære joik eller det samiske språket. Oppgaven tar utgangspunkt i at jeg skulle utforske joik på egen hånd kun ved bruk av ressurser tilgjengelig på nett og i bøker. For å lettere få fram opplevelsene, tankene og følelsene som oppstår underveis, bruker jeg autoetnografi på en performativ måte for å lettere formidle forskningsmaterialet og funnene. For å analysere forskningsmaterialet generert med videoopptak av aktivitetene og reflekterende videologg etter hver aktivitet, har jeg valgt ut to stopp – øyeblikk som representerer AHA-øyeblikk hvor en forandring har skjedd som påvirker oppgaven. Masteroppgaven består av en praktisk og en skriftlig del. Den praktiske delen er gjennomført sammen med sensor på en økt som varte rundt tretti minutter hvor deler av forskningsmaterialet var gjenskapt i lag med sensorer, og fremførte en joik som analyse. Den skriftlige og praktiske delen henger sammen og komplimenterer hverandre.
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 | 0.017 | 0.036 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.008 | 0.005 |
| Scholarly communication | 0.019 | 0.012 |
| Open science | 0.003 | 0.011 |
| Research integrity | 0.004 | 0.008 |
| Insufficient payload (model declined to judge) | 0.156 | 0.066 |
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".