Kartläggning av Språkrådetsspråkrådgivning i finska – åren2007, 2010 och 2017 : Vilka ställer frågorna, vad frågar de och har lägetförändrats sedan föregående undersökning
Bibliographic record
Abstract
Tutkimuksessa haluttiin kartoittaa Kielineuvoston suomen kielen neuvontaan vuosina 2007, 2010 ja 2017 tulleita kysymyksiä ja saada vastaukset seuraaviin kysymyksiin: 1. Ketkä ottavat yhteyttä Kielineuvoston suomen kielen neuvontaan? 2. Miten paljon ja minkä tyyppisiä kysymyksiä neuvontaan tulee? 3. Onko tilanne muuttunut jotenkin vuosien 2007 ja 2017 välillä? Kartoituksen perusteella voidaan todeta, että Kielineuvoston suomen kielen neuvonnasta kysytään eniten ruotsinkielisten termien ja muiden sanojen suomenkielisiä käännösvastineita ja aika paljon myös suomenkielisten sanojen ruotsinkielisiä vastineita. Muita kysyjiä askarruttavia asioita ovat esimerkiksi oikeinkirjoitusseikat ja kielioppiasiat. Kääntäjät ja tulkit ovat neuvonnan suurin kysyjäryhmä. Lisäksi kysymyksiä tulee runsaasti myös toimittajilta ja suomen kielen hallintoalueeseen kuuluvien kuntien ja maakäräjien työntekijöiltä. Tekemällä kartoituksia silloin tällöin voidaan seurata mahdollisia muutoksia neuvontatarpeissa ja auttaa tunnistamaan alueita, joihin Kielineuvoston toiminnassa erityisesti kannattaisi keskittyä.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.036 | 0.011 |
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".