Kuukauden tutkija: Filip Ginter

Filip Ginter
Kuva: Filip Ginter

Kielipankki koostuu kattavasta joukosta aineistoja sekä niiden tutkimiseen soveltuvista ohjelmistoista tehokkaassa laiteympäristössä. Filip Ginter kertoo meille työstään, jota hän on tehnyt TurkuNLP-tutkimusryhmässä.

Tämän haastattelun teksti on käännetty koneellisesti englannista suomeksi kunnianosoituksena kieliteknologian edistykselle.

Kuka olet?

Olen Filip Ginter, ja toimin Turun yliopiston kieliteknologian apulaisprofessorina. Olen tällä hetkellä myös TurkuNLP-tutkimusryhmän pitkäaikaisin jäsen. Olen koulutukseltani tietojenkäsittelytieteilijä, ja nautin syvästi niistä monista ainutlaatuisista haasteista, joita ihmiskieli asettaa.

Mihin tutkimuksesi keskittyy?

Koska minua ei ole siunattu kärsivällisyydellä eikä pitkällä keskittymiskyvyllä, olen vuosien varrella onnistunut paneutumaan melko moniin tutkimusaiheisiin TurkuNLP-ryhmän kanssa. Aloitimme tieteellisen kirjallisuuden louhinnan parissa, mutta sitten siirryimme yleisemmin erilaisten NLP-työkalujen ja -resurssien kehittämiseen. Olen aina pitänyt suomen kielestä ja päätin osallistua erityisesti suomalaisen NLP:n kehittämiseen, ehkäpä antaakseni takaisin yhteiskunnalle, joka niin anteliaasti isännöi minua väitöstutkimukseni aikana. Henkilökohtaisesti tärkein – tai ainakin näkyvin – yritykseni oli Turku Dependency Treebank, josta tuli myöhemmin yksi ensimmäisistä puupankeista supermenestyksekkäässä Universal Dependencies (UD) -aloitteessa ja jonka ansiosta TurkuNLP oli tärkeä jäsen UD-yhteisössä ensimmäisestä päivästä lähtien. Puustopankki oli myös TurkuNLP:n suhteellisen laajalti käyttämien tilastollisten syntaktisten suomen kielen riippuvuusjäsennysten jäsentäjien perustana. Olen ylpeä siitä, että tämä työ auttoi tuomaan suomen kielen ACL-julkaisujen tulostaulukoihin ja kuromaan umpeen kuilua paljon enemmän tutkittuihin kieliin ainakin jäsennystarkkuuden osalta.

Viime aikoina en tietenkään voinut olla hyppäämättä mukaan syväoppimisen tsunamiin. TurkuNLP:n aiempi työ suomalaisen internetin ryömimiseksi ja miljardien suomen kielen sanojen keräämiseksi kannatti, kun siitä tuli keskeinen osa FinBERT-mallin harjoituskorpusta. Jos olet hiljattain tehnyt koneoppimista suomen kielen parissa, on hyvin todennäköistä, että olet käyttänyt tätä mallia saadaksesi muutaman prosentin lisäpisteen tarkkuuteen. FinBERTin tarina kertoo siitä, että kielidataa on paljon valmiina oikealla hetkellä, ja se osoittaa, miten tärkeää on kerätä ja ylläpitää kieliresursseja. Koskaan ei voi tietää, milloin seuraavan kerran tarvitaan muutama miljardi sanaa suomea.

Entä miten tästä eteenpäin? Näen tavoitteenani tuoda suomen kieleen tavalla tai toisella suurin osa niistä työkaluista, tehtävistä ja resursseista, joita isommilla kielillä on. Ajattele kysymysten vastaamista, tiivistämistä, semanttista hakua, parafraasimalleja ja monia muita NLP-tehtäviä, joita ei vielä ole kunnolla katettu suomen kielessä. Jos ne ovat olemassa englannille, niiden pitäisi olla olemassa myös suomelle. Elämme jännittäviä aikoja NLP:ssä, ja nyt meillä on paljon enemmän mahdollisuuksia kuin vielä viisi vuotta sitten. Ja tietysti, kun LUMI-supertietokone on nurkan takana, TurkuNLP-työpajalta voi odottaa uusia jännittäviä kielimalleja.

Näiden enemmän tai vähemmän valtavirran NLP-hankkeiden lisäksi minulla on ollut useita, rohkenen sanoa, onnistuneita yhteistyöhankkeita digitaalisten humanististen tieteiden alalla, erityisesti historioitsijoiden kanssa. Nautin näistä hankkeista, koska ne haastoivat meidät ratkaisemaan mielenkiintoisia teknisiä ja algoritmisia ongelmia.

Miten Kielipankki liittyy tutkimukseesi?

Ehkä näkyvin panokseni Kielipankkiin on suomen kielen riippuvuusparseri (toki TurkuNLP:ssä sitä työsti moni meistä), jonka avulla Kielipankki tekee aineistosta helpommin tutkijoiden saatavilla olevaa. Parserin uusin versio tuo mukanaan huomattavan parannuksen tarkkuuteen kaikilla analyysitasoilla. Toivon, että jonain päivänä, kun lainsäädäntö vastaa nykyisiä kieliteknologian tarpeita, myös Internet-parseri ja muut laajamittaiset verkkopohjaiset aineistot voidaan liittää kielipankkiin.

Olemme luonnollisesti käyttäneet Kielipankin resursseja laajasti täällä TurkuNLP:ssä, ehkä eniten Suomi24-korpusta, erilaisissa tutkimushankkeissa sekä kielimallien koulutuksessa. Olemme myös hyötyneet valtavasti Kansalliskirjaston sanomalehtien ja aikakauslehtien OCR-korpuksesta historiantutkijoiden kanssa tekemässämme työssä.

En voi korostaa, miten tärkeää suomalaiselle NLP:lle on, että me kaikki annamme avoimia tietokokonaisuuksia ja ilmaisia työkaluja ja malleja Kielipankkiin ja myös säilytämme etumatkaamme laskennallisten resurssien suhteen, mistä LUMI on täydellinen esimerkki.

Käännöksen teki: www.DeepL.com/Translator (ilmaisversio)

Julkaisuja

J. Kanerva & F. Ginter & S. Pyysalo 2020. Turku Enhanced Parser Pipeline: From Raw Text to Enhanced Graphs in the IWPT 2020 Shared Task. Proceedings of the 16th International Conference on Parsing Technologies and the IWPT 2020 Shared Task on Parsing into Enhanced Universal Dependencies. DOI: 10.18653/v1/2020.iwpt-1.17

J. Kanerva & F. Ginter & T. Salakoski 2020. Universal Lemmatizer: A Sequence to Sequence Model for Lemmatizing Universal Dependencies Treebanks. Natural Language Engineering. DOI: 10.1017/S1351324920000224

J. Kanerva & F. Ginter & N. Miekka & A. Leino & T. Salakoski 2018. Turku Neural Parser Pipeline: An End-to-End System for the CoNLL 2018 Shared Task. Proceedings of the CoNLL 2018 Shared Task: Multilingual Parsing from Raw Text to Universal Dependencies. DOI: 10.18653/v1/K18-2013

A. Vesanto & A. Nivala & T. Salakoski & H. Salmi & F. Ginter 2017. A System for Identifying and Exploring Text Repetition in Large Historical Document Corpora. Proceedings of the 21st Nordic Conference on Computational Linguistics (NoDaLiDa). https://aclanthology.org/W17-0249

Työkaluja ja korpuksia (käytettävissä Kielipankin kautta)

Lisätietoa

 

FIN-CLARIN eli suomalaisten yliopistojen, CSC – Tieteen tietotekniikan keskuksen ja Kotimaisten kielten keskuksen muodostama konsortio auttaa humanististen tieteiden tutkijoita käyttämään, jalostamaan, säilyttämään ja jakamaan tutkimusaineistoja. Aineistoja ja työkaluja tarjoaa Kielipankki.

Kaikki tähän saakka esitellyt Kielipankin käyttäjät löytyvät Kuukauden tutkija -arkistosta. Tämä artikkeli julkaistaan myös Helsingin yliopiston humanistisen tiedekunnan verkkosivuilla.

 

Kuukauden tutkija: Sampsa Holopainen

Sampsa Holopainen
Kuva: Laura Horváth

Kielipankki koostuu kattavasta joukosta aineistoja sekä niiden tutkimiseen soveltuvista ohjelmistoista tehokkaassa laiteympäristössä. Sampsa Holopainen kertoo uralilaisten kielten historiaan liittyvästä tutkimuksestaan.

Kuka olet?

Olen Sampsa Holopainen, uralilaisten kielten historian tutkija. Tällä hetkellä työskentelen Itävallan tiedeakatemian APART-GSK-stipendillä post doc -tutkijana Wienin yliopiston suomalais-ugrilaisella laitoksella. Väitöskirjani tein Helsingin yliopistossa suomalais-ugrilaisen kielentutkimuksen alalla, väittelin joulukuussa 2019.

Mikä on tutkimuksesi aihe?

Tällä hetkellä tutkimusaiheeni on unkarin kielen ja laajemmin ugrilaisten kielten (unkarin, hantin ja mansin) äännehistoria, etymologia ja lainasanatutkimus. Tutkin näitä aiheita kaksivuotisessa (2021–2023) projektissani Hungarian historical phonology reexamined (with special focus on Ugric vocabulary and Iranian loanwords). Aiemmin olen tutkinut myös muiden uralilaisten kielten sanastokerrostumia ja varsinkin indoiranilaisten ja muiden indoeurooppalaisten kielten vaikutusta uralilaisten kielten sanastoon. Erityisesti itämerensuomalaisten kielten etymologiaa tutkin vuosina 2019–2021 FT Santeri Junttilan johtamassa, Koneen säätiön rahoittamassa Helsingin yliopiston hankkeessa Suomen vanhimman sanaston etymologinen verkkosanakirja.

Miten Kielipankki liittyy tutkimukseesi?

Osana tämänhetkistä projektiani rakennan Kielipankin ylläpitämään Sanat-wikiin etymologista tietokantaa, jossa tarkastellaan kriittisesti unkarin, hantin ja mansin kielten yhteissanastoa (eli perinteisesti ugrilaiseen kantakieleen rekonstruoitua sanastoa) sekä unkarin varhaisia iranilaisia lainasanoja. Tietokanta sisältää etymologisia sana-artikkeleita, ja sinne on tarkoitus myöhemmässä vaiheessa lisätä myös äännehistoriaa havainnollistavia taulukoita. Wiki-tietokanta on vain osa projektiani, mutta se antaa hyvän keinon julkaista tutkimustietoa ja havaintoja nopeasti, helposti ja avoimesti.

Projektini tietokanta pohjautuu paljon laajempaan itämerensuomalaisten kielten etymologiseen tietokantaan, joka on kehitetty Santeri Junttilan johtamassa hankkeessa Suomen vanhimman sanaston etymologinen verkkosanakirja, jossa ovat työskennelleet myös dosentti Petri Kallio, FM Juha Kuokkala ja FM Juho Pystynen. Hanke jatkuu edelleen, mutta en itse työskentele siinä enää täyspäiväisesti. Tämä tietokantahanke on mielestäni erityisen merkittävä, koska sen puitteissa kehitettiin Sanat-wikiin hieno ja hyvin toimiva etymologiatietokanta, jonka pohjaa on sitten voinut hyödyntää myös muissa hankkeissa, kuten omassa Wienin-projektissani. Wiki-tietokanta antaa mahdollisuuden päivittää tutkimustietoa jatkuvasti ja luo hyvät puitteet tutkijoiden väliselle keskustelulle.

Yleisenä kehuna Kielipankille ja Sanat-wikille haluaisin tässä yhteydessä mainita helppokäyttöisyyden: en ole itse mikään kieliteknologi enkä kovin monimutkaista tietokantaa varmaankaan osaisi päivittää, mutta Sanat-wiki on erittäin kätevä työkalu, jota on selkeä käyttää.

Julkaisuja

Holopainen, Sampsa 2022: Uralilaisen lingvistisen paleontologian ongelmia – mitä sanasto voi kertoa kulttuurista? – Kaheinen, Kaisla & Leisiö, Larisa & Erkkilä, Riku & Qiu, Toivo E.H. (toim.), Hämeenmaalta Jamalille: kirja Tapani Salmiselle 07.04.2022. Helsinki: Helsingin yliopiston kirjasto. 101–114. DOI: 10.31885/9789515180858.9

Holopainen, Sampsa 2021: On the question of substitution of palatovelars in Indo-European loanwords into Uralic. – Suomalais-Ugrilaisen Seuran Aikakauskirja 98. 197–233. DOI: 10.33340/susa.95365

Junttila, Santeri & Holopainen, Sampsa & Pystynen, Juho 2020: Digital Etymological Dictionary of the Oldest Vocabulary of Finnish. – Rasprave 46, 2. 733–747. DOI: 10.31724/rihjj.46.2.15

Lisätietoa

 

FIN-CLARIN eli suomalaisten yliopistojen, CSC – Tieteen tietotekniikan keskuksen ja Kotimaisten kielten keskuksen muodostama konsortio auttaa humanististen tieteiden tutkijoita käyttämään, jalostamaan, säilyttämään ja jakamaan tutkimusaineistoja. Aineistoja ja työkaluja tarjoaa Kielipankki.

Kaikki tähän saakka esitellyt Kielipankin käyttäjät löytyvät Kuukauden tutkija -arkistosta. Tämä artikkeli julkaistaan myös Helsingin yliopiston humanistisen tiedekunnan verkkosivuilla.

 

Kuukauden tutkija: Jack Rueter

Jack Rueter Kuva: Jack Rueter

Kielipankki koostuu kattavasta joukosta aineistoja sekä niiden tutkimiseen soveltuvista ohjelmistoista tehokkaassa laiteympäristössä. Jack Rueter kertoo meille tutkimuksestaan, joka käsittelee vähemmistökielten morfosyntaktista kuvailua.

Kuka olet?

Olen Jack Rueter. Johdan tutkimushanketta digitaalisissa ihmistieteissä Helsingin yliopistolla ja toimin projektitutkijana suomen kielen ja suomalais-ugrilaisen kielentutkimuksen oppiaineessa Turun yliopistolla. Tutkin joko käsin tai sääntöpohjaisilla järjestelmillä annotoitujen korpusten kontekstipohjaista disambiguointia, jolla tarkoitetaan tekstin sisältämien moniselitteisten muotojen ja ilmausten tulkintojen etsimistä. Siitä asti kun 17-vuotiaana lausuin ensimmäiset suomenkieliset sanani, olen pyrkinyt opettelemaan useita muitakin kieliä ja saavuttamaan niissä käytännön kielitaidon.

Mikä on tutkimuksesi aihe?

Opiskeluajoistani asti olen tehnyt tutkimusta uralilaisten ja muiden vähemmistökielten parissa ja asteittain syventänyt ymmärrystäni siitä, kuinka kieliteknologisia työkaluja ja käytäntöjä voitaisiin hyödyntää kielitieteellisessä perustutkimuksessa. Tein ensimmäisen komi-syrjäänin äärellistilaisen kuvauksen jo neljännesvuosisata sitten ja jatkoin ersän kielen aineistojen parissa 2000-luvun alussa. Kunnianhimoista yhteistyötä on kuitenkin uralilaiseen kielikuntaan kuuluvien kielten kuvauksessa tehty vasta kymmenen viime vuoden aikana. Näissä kuvauksissa on keskitytty sanaston, syntaksin sekä rikkaan mutta säännöllisen morfologian tutkimiseen. Lisäksi keskiössä on ollut ajatus siitä, että monikielisten työkalujen ja oppimisympäristöjen kehittäminen voisi edistää myös kielten dokumentointia.

Työni komi-syrjäänin kielen parissa alkoi 1990-luvun alkupuolella, kun istuin luentokurssilla Helsingin yliopistolla. Opettajamme E. Cypanov tarjosi meille oppitunteja, jotka pohjautuivat hänen kirjoittamiinsa venäjänkielisiin materiaaleihin. Komi–suomi- tai komi–englanti-sanakirjoja ei tuolloin ollut saatavilla. Niinpä ryhdyin kääntämään hänen sanastoaan lyhyeksi kolmikieliseksi komi–englanti–suomi-sanalistaksi, jonka sittemmin oikoluin ja laajensin Alfred Kordelinin säätiöltä saamani apurahan turvin. Sanalistat olivat tuolloin olennaisia etappeja äärellistilaisten kuvausten kehitystyössä. Vuonna 1995 pääsinkin Unix-järjestelmällä aloittamaan komi-syrjäänin mallintamisen professori Kimmo Koskenniemen opastamana.

Vuodesta 1996 aina vuoteen 2004 saakka vietin suuren osan ajastani komien, ersäläisten ja mokšalaisten keskuudessa. Opetin suomen kieltä Mordvan valtionyliopistossa Saranskissa, Mordvassa, joka sijaitsee noin 600 km Moskovasta itään. Kielenopetuksen lisäksi ryhdyin keräämään ja digitoimaan mordvankielistä kirjallisuutta. Samalla opin molemmat kirjakielet ja verkostoiduin niin ammattikielenkäyttäjien kuin natiivipuhujien kanssa. Henkilökohtaisilta tuttaviltani sain näistä kielistä lisää tietoa ja äidinkielisiä kuvauksia, jotka muodostivat pohjan kielten asianmukaiselle dokumentaatiolle. Tähän aikaan tutustuin myös muihin Venäjällä puhuttaviin kieliin sekä loin yhteyksiä Turun ja Tromssan yliopistojen kielentutkimukseen.

Saranskin opetustehtävieni päätyttyä pääsin mukaan Giellatekno-nimisen avoimen lähdekoodin infrastruktuurin työhön Tromssassa. Trond Trosterud kollegoineen oli kiinnostunut työstäni komin kielen parissa ja he halusivat saada sen mukaan Barentsin ja napa-alueen kielten kieliteknologiaa koskevaan kehitystyöhönsä. On sanomattakin selvää, että suostuin tähän ehdotukseen. Niinpä avoimena lähdekoodina julkaistusta komin kielestä tuli uusi palanen laajaan sanakirjoja ja morfologioita koskevaan työhön, johon osallistuin Helsingistä käsin aloittaessani siellä jatko-opintojani. Kieliteknologia vaikutti voimakkaasti myös ersän kielen morfologisten ilmiöiden luokitteluun, jota dokumentoin väitöskirjassani vuonna 2010 ja josta tutkimustyöni vielä myöhemmin huomattavasti laajeni osana Koneen Säätiön rahoittamaa Kieliohjelmaa (2012–2021).

Kieliohjelman aikana tehtiin laajoja pilotteja ja hankkeita, joissa digitoitiin Kansalliskirjaston Fenno-Ugrica-kokoelmaan uhanalaisten suomen sukulaiskielten aineistoja 1920–40-luvuilta. Aineistojen valmisteleminen ja jatkotyöstäminen helpotti myöhempää aunuksenkarjalan, liivin, vuorimarin, mokšan ja tundranenetsin sanaston ja morfologian tutkimustani. Niissä menestyminen oli luonnollisesti mahdollista, koska mukana oli ryhmä kieliasiantuntijoita ja koska kyseisistä kielistä oli saatavissa aiempia kuvauksia. Avoimen lähdekoodin projekteina kielidokumentaatioon keskittyneet hankkeet hyödynsivät myös avointa Helsinki Finite-State Technology (HFST) -kirjastoa sekä avointa saamen kieliteknologian tutkimusinfrastruktuuria (Giellatekno) ja työkaluvarantoa (Divvun) Norjan Tromssassa. Näistä teknologioista saamaani kokemusta sovelsin muihin vähemmistökieliin, kuten inkeroiseen, koltansaameen, niittymariin, udmurttiin, võroon, komi-permjakiin, mansiin ja jopa Amazonin alueella puhuttavaan apurinãan sekä Pohjois-Amerikan länsirannikon pohjoisosien lushootseediin. Tuloksena syntyi kokoelma morfologiaa osaavia verkkosanakirjoja (mm. aunuksenkarjalalle, koltansaamelle, ersälle ja mokšalle) sekä älykäs tietokoneavusteinen kielenoppimisen ympäristö (ICALL), kuten koltansaamen Nuõrti, joka on ottanut mallia pohjoissaamelle tehdystä Davvi-nimisestä ICALL-ympäristöstä. Divvun-kokoelmassa on mukana myös arkikielen kirjoittamista helpottavia työkaluja sekä oikolukutyökaluja.

Sanastossa tai morfologiassa on järkeä vain, jos niitä voi soveltaa laajemmin – syntaksiin ja merkitysten muodostamiseen, kuten kääntämiseen. Anssi Yli-Jyrän ansiosta tutustuin 2010-luvun lopulla Universal Dependencies -projektiin. Aloitin ersän kielen puupankilla ja tein kehitystyötä mokšan, komi-syrjäänin, komi-permjakin, koltansaamen ja apurinãn parissa yhteistyössä Helsingin, Turun, Oulun, Saranskin, Syktyvkarin, Tromssan, Tarton, Göttingenin, Belémin and Bloomingtonin tutkijoiden kanssa. Puupankkien kanssa työskentelyä voi toisaalta pitää keinona välittää kielten dokumentaatiota erilaisille käyttäjäryhmille, ja toisaalta se toimii avoimena julkaisuarkistona, jossa voidaan kehittää morfologisen analyysin jälkeen tehtävää rajoitekieliopillista työtä. Kun kantavana voimana on merkityksellinen morfosyntaksi, päästään Apertiumin ja keskenään läheisesti sukua olevien kielten pintakäännösten mallinnukseen.

Apertium sai alkunsa kääntämisestä katalaanin ja espanjan sekä muiden sukulaiskielten välillä. Sen tekemissä konekäännöksissä huolehdittiin aluksi lähdekielen sanaston muuntamisesta kohdekielelle, jota seurasi morfologisen tiedon siirtäminen ja lopulta syntaksin mukauttaminen kohdekieleen, idiomit huomioiden. Kun läheisiä sukulaiskieliä pystytään kääntämään toistensa välillä tällaisella menetelmällä, voitaisiin menetelmää mahdollisesti hyödyntää myös silloin, kun tarkoituksena olisi mitata kielimuotojen etäisyyttä toisiinsa sen tiedon pohjalta, mitä niistä on dokumentoitu. Esimerkiksi pintamuotojen siirtotyökalujen kehittäminen varsinaiskarjalalle, aunuksenkarjalalle ja suomelle on johtanut sanakirjojen kehitystyöhön, jossa Giella-infrastruktuurin tarjoamaa morfologista kuvausta on sovellettu Akusanat-verkkosanakirjaan sekä Googlen järjestämässä ”Summer of Code” -ohjelmointitapahtumassa Apertiumin kautta. Apertiumiin tulossa olevat kieliparit saattavat pitää sisällään ersän ja mokšan, jotka ovat viime aikoina saaneet lisätukea myös Turun yliopiston Digilang-projektissa tehdyn tutkimuksen myötä.

Miten Kielipankki liittyy tutkimukseesi?

Viime vuosituhannen lopulla aloin kerätä mokšan-, ersän- ja kominkielistä kirjallisuutta niiden kirjoittajilta ja julkaisijoilta tutkimuskäyttöä varten Helsingin yliopiston korpuspalvelimelle (UHLCS), jolta ne on sittemmin siirretty Kielipankkiin. FIN-CLARIN-infrastruktuuri on käyttänyt aikaa ja resursseja vanhempien UHLCS-aineistojen työstämiseen käyttökelpoisempaan muotoon sekä tarjonnut ohjeistusta uudempien korpusten kehitystyöhön. Sen ansiosta minulla on ollut mahdollisuus siirtää Kielipankin Korp-palvelimelle ersän ja mokšan kielelle tekemäni ERME-aineistot sekä Erik Axelsonin kanssa valmistelemani Raamatun jakeita uralilaisille kielille -korpus (Pabivus), josta kiitos kuuluu myös Raamatunkäännösinstituutille. Parhaillaan teemme Korp-palvelimelle Universal Dependencies -mallin mukaista suomalais-ugrilaisten kielten korpusta. Toivoakseni Turun yliopistossa mordvalaisten kielten syntaksin parissa tekemäni työ parantaa Kielipankissa olevien vähemmistökielten korpusten laatua. Entistä tarkempi morfologinen analyysi, joka on sääntöpohjainen ja huomioi myös kontekstin, mahdollistaa puheentunnistus- ja puhesynteesiteknologioiden kehittämisen myös vähemmän dokumentoiduille vähemmistökielille.

Julkaisuja

Rueter, J., Partanen, N., Hämäläinen, M., & Trosterud, T. (2021). Overview of Open-Source Morphology Development for the Komi-Zyrian Language: Past and Future. In Proceedings of the Seventh International Workshop on Computational Linguistics of Uralic Languages (pp. 62–72). The Association for Computational Linguistics. https://aclanthology.org/2021.iwclul-1.4.pdf

Hämäläinen, M., Rueter, J., & Alnajjar, K. (2021). Documentação de línguas ameaçadas na era digital. Linha D’Água, 34(2), 47-64. https://doi.org/10.11606/issn.2236-4242.v34i2p47-64

Rueter, J., Hämäläinen, M., & Partanen, N. (2020). Open-Source Morphology for Endangered Mordvinic Languages. In Proceedings of Second Workshop for NLP Open Source Software (NLP-OSS) (pp. 94–100). The Association for Computational Linguistics. https://doi.org/10.18653/v1/2020.nlposs-1.13

Hämäläinen, M., Alnajjar, K., Rueter, J., Lehtinen, M., & Partanen, N. (2021). An Online Tool Developed for Post-Editing the New Skolt Sami Dictionary. In I. Kosem, M. Cukr, M. Jakubíček, J. Kallas, S. Krek, & C. Tiberius (Eds.), Electronic lexicography in the 21st century (eLex 2021). Proceedings of the eLex 2021 conference (pp. 653-664). (Electronic lexicography in the 21st century (eLex 2021). Proceedings of the eLex 2021 conference). Lexical Computing CZ s.r.o.. Saatavilla: https://elex.link/elex2021/wp-content/uploads/2021/08/eLex_2021_42_pp653-664.pdf

Rueter, J., Pereira de Freitas, M. F., Facundes, S., Hämäläinen, M., & Partanen, N. (2021). Apurinã Universal Dependencies Treebank. In M. Mager, A. Oncevay, A. Rios, I. V. Meza Ruiz, A. Palmer, G. Neubig, & K. Kann (Eds.), Proceedings of the First Workshop on Natural Language Processing for Indigenous Languages of the Americas (pp. 28-33). The Association for Computational Linguistics. DOI: 10.18653/v1/2021.americasnlp-1.4

Rueter, J. (2020). Корпус национальных мордовских языков: принципы разработки и перспективы функционирования/ действия. In ФИННО-УГОРСКИЕ НАРОДЫ В КОНТЕКСТЕ ФОРМИРОВАНИЯ ОБЩЕРОССИЙСКОЙ ГРАЖДАНСКОЙ ИДЕНТИЧНОСТИ И МЕНЯЮЩЕЙСЯ ОКРУЖАЮЩЕЙ СРЕДЫ (pp. 118-127). Издательский центр Историко-социологического института. https://www.researchgate.net/publication/342869938_Corpus_of_the_national_languages_Erzya_and_Moksha_priciples_of_development_and_perspectives_of_functionactionKorpus_nacionalnyh_mordovskih_azykov_principy_razrabotki_i_perspektivy_funkcionirovania_dej

Rueter, J. (Author), & Axelson, E. (Author). (2020). Raamatun jakeita uralilaisille kielille, rinnakkaiskorpus, sekoitettu, Korp [tekstikorpus]. Software, Kielipankki. Saatavilla: http://urn.fi/urn:nbn:fi:lb-2020021119

Rueter, J., Partanen, N., & Ponomareva, L. (2020). On the questions in developing computational infrastructure for Komi-Permyak. In T. A. Pirinen, F. M. Tyers, & M. Rießler (Eds.), Proceedings of the Sixth International Workshop on Computational Linguistics of Uralic Languages (pp. 15–25). The Association for Computational Linguistics. DOI: 10.18653/v1/2020.iwclul-1.3

Rueter, J. M. (2020). Linguistic Distance between Erzya and Moksha. Dependent Morphology. In Е. Ф. Клементьева, Т. И. Мочалова, & И. Н. Рябов (Eds.), ФИННО-УГОРСКИЕ ЯЗЫКИ В СОВРЕМЕННОМ МИРЕ: ФУНКЦИОНИРОВАНИЕ И ПЕРСПЕКТИВЫ РАЗВИТИЯ: Материалы Всероссийской научно-практической конференции, посвященной 95-летию заслуженного деятеля науки РФ, доктора филологических наук, профессора Цыганкина Дмитрия Васильевича (pp. 90-110). МГУ им. Н. П. Огарёва. Saatavilla: http://hdl.handle.net/10138/330042

Rueter, J., Partanen, N., & Pirinen, T. A. (2021). Numerals and what counts. In M. D. Lhoneux, & R. Tsarfaty (Eds.), Fifth Workshop on Universal Dependencies : Proceedings (pp. 151–159). The Association for Computational Linguistics. Saatavilla: https://aclanthology.org/2021.udw-1.13

Rueter, J., & Hämäläinen, M. (2020). Prerequisites For Shallow-Transfer Machine Translation Of Mordvin Languages: Language Documentation With A Purpose. In Материалы Международного образовательного салона (pp. 18-29). Ижевск: Институт компьютерных исследований. Saatavilla: http://hdl.handle.net/10138/325962

Rueter, J. M. (Accepted/In press). Mordva. In R. Valijärvi & D. Abondolo (Eds.), The Uralic Languages Routledge.

Lisätietoa Kielipankissa olevista resursseista

Muita kieliresursseja ja repositorioita

 

FIN-CLARIN eli suomalaisten yliopistojen, CSC – Tieteen tietotekniikan keskuksen ja Kotimaisten kielten keskuksen muodostama konsortio auttaa humanististen tieteiden tutkijoita käyttämään, jalostamaan, säilyttämään ja jakamaan tutkimusaineistoja. Aineistoja ja työkaluja tarjoaa Kielipankki.

Kaikki tähän saakka esitellyt Kielipankin käyttäjät löytyvät Kuukauden tutkija -arkistosta. Tämä artikkeli julkaistaan myös Helsingin yliopiston humanistisen tiedekunnan verkkosivuilla.

 

Kuukauden tutkija: Mika Hämäläinen

Mika Hämäläinen
Kuva: Khalid Alnajjar

Kielipankki koostuu kattavasta joukosta aineistoja sekä niiden tutkimiseen soveltuvista ohjelmistoista tehokkaassa laiteympäristössä. Mika Hämäläinen kertoo tutkimuksestaan laskennallisen luovuuden ja uhanalaisten kielten kieliteknologian parissa.

Kuka olet?

Olen Mika Hämäläinen ja työskentelen tutkijatohtorina Helsingin yliopistossa Digitaalisten ihmistieteiden osastolla. Väitöskirjani kirjoitin laskennallisesta luovuudesta vuonna 2020 otsikolla Generating Creative Language: Theories, Practice and Evaluation. Otsikko kuvaa hyvin tutkimusintressejäni, sillä en ole kiinnostunut ainoastaan kieliteknologisien mallien teknisestä toteutuksesta vaan myös niiden suhteesta teorioihin ja todellisen maailman ilmiöihin. Mielestäni on erittäin tärkeää julkaista tutkimustuloksia mahdollisimman helppokäyttöisinä työkaluina ja avoimena lähdekoodina.

Mikä on tutkimuksesi aihe?

Olen tehnyt tutkimusta laskennallisen luovuuden, uhanalaisten kielten kieliteknologian sekä ei-standardin kielen kuten murteiden ja historiallisten kielimuotojen parissa. Laskennallinen luovuus on tekoälyn näkökulmasta haastava tutkimusaihe, sillä tarkoituksena on kehittää laskennallisia malleja, jotka kykenevät tuottamaan uusia luovia tekstejä kuten runoja (Hämäläinen & Alnajjar, 2019) tai huumoria (Alnajjar & Hämäläinen, 2021). Tärkeää ei ole ainoastaan se, että kone pystyy syytämään ulos uutta tekstiä, vaan koneen tulisi myös osata tulkita tuotoksiaan jollain järkevällä tasolla. Olemmekin kehittäneet työkaluja myös lopputulosten analysointiin, kuten suomenkielistä runoutta analysoivan FinMeter-kirjaston. Kirjaston avulla voi muun muassa analysoida runomittaa sekä tulkita metaforia.

Uhanalaisten kielten kieliteknologia on erittäin haastavaa, sillä moderni kieliteknologia nojaa yhä enemmän massiivisiin tekstiaineistoihin, jollaisia ei ole helposti saatavilla. Uhanalaisten kielten aineistot sisältävät usein myös paljon variaatiota, sillä tällaisten kielten kohdalla ei välttämättä ole harjoitettu kielenhuoltoa ja vaalittu oikeakielisyyttä samalla tavalla kuin vaikkapa suomen osalta. Kielellinen moninaisuus on koneoppimisen näkökulmasta hankalaa, sillä mitä enemmän variaatiota korpus sisältää, sitä suurempi sen tulisi olla kooltaan, jotta koneoppimismallit kykenevät variaatiosta selviytymään. Uhanalaisten kielten kieliteknologia vaatii siis kekseliäisyyttä. Olemme onnistuneet analysoimaan uhanalaisten kielten morfologiaa (Hämäläinen et al., 2021a), morfosyntaksia (Hämäläinen & Wiechetek, 2020) ja kognaatteja (Hämäläinen & Rueter, 2019) tuottamalla koneoppimismalleille synteettistä dataa. Uhanalaisten kielten dataa voi prosessoida helposti kehittämäni UralicNLP-kirjaston avulla.

Elinvoimaistenkin kielten kohdalla runsas variaatio tuottaa kieliteknologeille päänvaivaa. Olen tehnyt tutkimusta historiallisen englannin kielimuotojen normalisoinnin parissa (Hämäläinen et al., 2018). Normalisaatio tarkoittaa sitä, että tietokone osaa muuntaa historiallisessa tekstissä käytetyn ortografian nykykielen mukaiseksi. Englannin kielen normalisointityökalu Natas on saatavilla GitHubista. Sittemmin olen tehnyt suomen (Partanen et al., 2019) ja suomenruotsin murteiden (Hämäläinen et al., 2020a) normalisointia sekä suomen murteiden tuottamista (Hämäläinen et al., 2020b) kirjakielen pohjalta. Nämä tutkimustulokset on julkaistu Murre-kirjastossa. Viimeisin tutkimuskohteeni on ollut suomen murteiden automaattinen tunnistaminen äänen ja tekstin pohjalta (Hämäläinen et al., 2021b)

Miten Kielipankki liittyy tutkimukseesi?

Suomen kielen näytteitä -korpus on ollut ehdottoman tärkeä murremallien tuottamisessa. Ilman kyseistä korpusta en olisi yksinkertaisesti voinut toteuttaa suomen kielen murteita käsittelevää tutkimustani.

Kielipankin aineistoista on ollut hyötyä myös laskennallisen luovuuden tutkimisessa. Olen käyttänyt esimerkiksi suomenkielistä FinnWordNetiä runogeneraattorissani (Hämäläinen, 2018) ja Opusparcusta luovaa dialogia tuottavassa sovelluksessa (Alnajjar & Hämäläinen, 2019).

Julkaisuja

Alnajjar, K., & Hämäläinen, M. (2021). When a Computer Cracks a Joke: Automated Generation of Humorous Headlines. In Proceedings of the 12th International Conference on Computational Creativity (ICCC 2021) (pp. 292-299). Association for Computational Creativity.

Hämäläinen, M., Alnajjar, K., Partanen, N., & Rueter, J. (2021b). Finnish Dialect Identification: The Effect of Audio and Text. In M-F. Moens, X. Huang, L. Specia, & S. Wen-tau Yih (Eds.), Proceedings of the 2021 Conference on Empirical Methods in Natural Language Processing (pp. 8777-8783). The Association for Computational Linguistics.

Hämäläinen, M. (2020) Generating Creative Language: Theories, Practice and Evaluation. Helsingin yliopisto. Saatavilla: http://urn.fi/URN:ISBN:978-951-51-6707-1

Alnajjar, K., & Hämäläinen, M. (2019). A Creative Dialog Generator for Fallout 4. In Proceedings of the 14th International Conference on the Foundations of Digital Games [48] ACM. https://doi.org/10.1145/3337722.3341824

Hämäläinen, M., & Alnajjar, K. (2019). Let’s FACE it: Finnish Poetry Generation with Aesthetics and Framing. In K. V. Deemter, C. Lin, & H. Takamura (Eds.), 12th International Conference on Natural Language Generation: Proceedings of the Conference (pp. 290-300). The Association for Computational Linguistics. https://doi.org/10.18653/v1/w19-8637

Hämäläinen, M., Partanen, N., Rueter, J., & Alnajjar, K. (2021a). Neural Morphology Dataset and Models for Multiple Languages, from the Large to the Endangered. In S. Dobnik, & L. Øvrelid (Eds.), Proceedings of the 23rd Nordic Conference on Computational Linguistics (NoDaLiDa) (pp. 166-177). (NEALT Proceedings Series; No. 45), (Linköping Electronic Conference Proceedings; No. 178). Linköping University Electronic Press.

Hämäläinen, M., & Rueter, J. (2019). Finding Sami Cognates with a Character-Based NMT Approach. In A. Arppe, J. Good, M. Hulden, J. Lachler, A. Palmer, L. Schwartz, & M. Silfverberg (Eds.), Proceedings of the 3rd Workshop on Computational Methods in the Study of Endangered Languages: (Volume 1) Papers (pp. 39-45). The Association for Computational Linguistics. https://www.aclweb.org/anthology/W19-6006.pdf

Hämäläinen, M., Partanen, N., & Alnajjar, K. (2020a). Normalization of Different Swedish Dialects Spoken in Finland. In GeoHumanities’20: Proceedings of the 4th ACM SIGSPATIAL Workshop on Geospatial Humanities (pp. 24–27). ACM. https://doi.org/10.1145/3423337.3429435

Hämäläinen, M., Partanen, N., Alnajjar, K., Rueter, J., & Poibeau, T. (2020b). Automatic Dialect Adaptation in Finnish and its Effect on Perceived Creativity. In F. A. Cardoso, P. Machado, T. Veale, & J. M. Cunha (Eds.), Proceedings of the 11th International Conference on Computational Creativity (ICCC’20) (pp. 204-211). Association for Computational Creativity.

Hämäläinen, M., & Wiechetek, L. (2020). Morphological Disambiguation of South Sámi with FSTs and Neural Networks. In D. Beermann, L. Besacier, S. Sakti, & C. Soria (Eds.), Proceedings of the 1st Joint SLTU and CCURL Workshop (SLTU-CCURL 2020) (pp. 36-40). European Language Resources Association (ELRA).

Hämäläinen, M., Säily, T., Rueter, J., Tiedemann, J., & Mäkelä, E. (2018). Normalizing early English letters to Present-day English spelling. In B. Alex, S. Degaetano-Ortlieb, A. Feldman, A. Kazantseva, N. Reiter, & S. Szpakowicz (Eds.), Proceedings of the 2nd Joint SIGHUM Workshop on Computational Linguistics for Cultural Heritage, Social Sciences, Humanities and Literature (pp. 87-96). (ACL Anthology; No. W18-45). The Association for Computational Linguistics. http://aclweb.org/anthology/W18-4510

Hämäläinen, M. (2018). Harnessing NLG to Create Finnish Poetry Automatically. In F. Pachet, A. Jordanous, & C. León (Eds.), Proceedings of the Ninth International Conference on Computational Creativity (pp. 9-15). Association for Computational Creativity (ACC)

Partanen, N., Hämäläinen, M., & Alnajjar, K. (2019). Dialect Text Normalization to Normative Standard Finnish. In W. Xu, A. Ritter, T. Baldwin, & A. Rahimi (Eds.), The Fifth Workshop on Noisy User-generated Text (W-NUT 2019): Proceedings of the Workshop (pp. 141–146). The Association for Computational Linguistics.

Lisätietoa työkaluista ja Kielipankissa olevista aineistoista

 

FIN-CLARIN eli suomalaisten yliopistojen, CSC – Tieteen tietotekniikan keskuksen ja Kotimaisten kielten keskuksen muodostama konsortio auttaa humanististen tieteiden tutkijoita käyttämään, jalostamaan, säilyttämään ja jakamaan tutkimusaineistoja. Aineistoja ja työkaluja tarjoaa Kielipankki.

Kaikki tähän saakka esitellyt Kielipankin käyttäjät löytyvät Kuukauden tutkija -arkistosta. Tämä artikkeli julkaistaan myös Helsingin yliopiston humanistisen tiedekunnan verkkosivuilla.

 

Kuukauden tutkija: Terhi Ainiala

Terhi Ainiala
Kuva: Ilmari Fabritius

Kielipankki koostuu kattavasta joukosta aineistoja sekä niiden tutkimiseen soveltuvista ohjelmistoista tehokkaassa laiteympäristössä. Terhi Ainiala kertoo paikannimistöön liittyvästä tutkimuksestaan sekä monitieteisestä tavasta tehdä korpusonomastista tutkimusta.

Kuka olet?

Olen Terhi Ainiala, nimistöntutkija ja suomen kielen yliopistonlehtori Helsingin yliopistossa. Olen myös suomalais-ugrilaisen ja pohjoismaisen osaston johtaja humanistisessa tiedekunnassa.

Mikä on tutkimuksesi aihe?

Olen tutkinut paikannimistöä oikeastaan koko urani, opiskeluajoistani alkaen. 2000-luvulle tultaessa aloin paneutua kaupunkinimistön tutkimukseen, sillä siihenastinen tutkimus oli keskittynyt maaseudun paikannimiin. Olen ennen kaikkea tutkinut kaupunkinimistön kerroksellisuutta ja nimien tehtäviä osana ympäristön hahmottamista ja kaupunkilaisten identiteettejä. Kaupunkien paikannimissä on monia kerroksia: virallisia ja epävirallisia nimiä, eri-ikäisiä ja erikielisiä nimiä sekä erilaisten käyttäjäryhmien nimiä. Nimillä on paitsi tärkeä opastava ja kaupunkitilaa hahmottava tehtävä myös urbaaneja merkityksiä ja mielikuvia rakentava tehtävä.

Kaupunkien virallinen nimistö on tutkijan helposti saatavissa asemakaavoissa ja muissa virallisissa dokumenteissa. Kadunnimistä on julkaistu kirjojakin. Sen sijaan kaupunkilaisten arkipuheessaan käyttämää epävirallista nimistöä ei ole koottuna kuin satunnaisesti. Omassa työssäni olen halunnut päästä käsiksi myös niihin konteksteihin, joissa paikoista puhutaan, en vain nimien listoihin. Olenkin koonnut tutkimusteni aineistoja ennen kaikkea kyselylomakkein ja haastatteluin. Tutkimukseni pääpaino on ollut laadullisessa analyysissa.

Entä miten paikoista puhutaan lukuisissa sosiaalisen median kanavissa? Tähän kysymykseen halusin paneutua laajemman aineiston avulla, ja tässä kohtaa yhteistyö professori Jarmo Jantusen kanssa on noussut antoisaksi. Olemme yhdistäneet nimistöntutkimuksen, tilastollisten menetelmien ja korpusavusteisen diskurssintutkimuksen lähtökohtia ja työkaluja selvittäessämme, mitä nimiä kaupungeista ja muista paikoista digitaalisissa diskursseissa käytetään ja millä tavoin. Tällainen korpusonomastinen tutkimus on uusi avaus nimistöntutkimuksessa.

Ensimmäisessä yhteisessä tutkimuksessamme (Ainiala, T. & Jantunen, J. H., 2019) saimme selville, että Helsingistä käytettävät yleiset slanginimet, Hesa ja Stadi, jakavat yhteisiä diskursseja. Niillä on kuitenkin myös omia diskurssejaan. Hesaa käytetään, kun Helsinkiä katsotaan ulkopuolelta ja se on esimerkiksi muuttamisen tai matkustamisen kohde. Stadi kuvastaa puolestaan syntyperäistä ja aitoa helsinkiläistä identiteettiä, mikä tukee aiempia havaintoja nimen käytöstä. Stadia käytetään eniten silloin, kun puhutaan ”meistä stadilaista” ja katsotaan kaupunkia sisältäpäin.

Olemme jatkaneet tutkimusta entistä monitieteisemmin ja neljän tutkijan ryhmässä, kun mukaan ovat tulleet maantieteilijä Salla Jokela ja kielentutkija Jenny Tarvainen. Tuoreessa artikkelissamme (Jantunen, J. H., Ainiala, T., Jokela, S. & Tarvainen, J., 2022) selvitämme sitä, millä tavoin suomalaiset puhuvat pääkaupunkiseudun kaupungeista ja millaisia merkityksiä niihin liitetään. Tulostemme mukaan yleisimmät Espoota, Helsinkiä ja Vantaata koskevien keskustelujen aihepiirit ovat paikat ja suunnat, asuminen ja liikkuminen. Kaupunkien välillä on kuitenkin eroja. Yksi niistä on se, että Helsinkiä ja helsinkiläisiä verrataan usein yleisesti Suomeen ja jopa muuhun Eurooppaan, mutta Espoon ja Vantaan kohdalla tällaisia keskusteluja ei käydä. Maakuntien ja ulkomaiden kaupunkien nimet, kuten Savo, Lappi, Tukholma ja Lontoo, yhdistyvät aineistossa ainoastaan Helsinkiin.

Tutkimuksemme lisää tietoa siitä, millaisia merkityksiä kaupunkeihin kytketään. Tuloksia voidaan hyödyntää kaupunkisuunnittelussa ja -kehittämisessä sekä brändityössä.

Miten Kielipankki liittyy tutkimukseesi?

Korpusonomastisten tutkimusten aineistona on laaja Suomi24-keskustelufoorumista muodostettu ja Kielipankista saatava Suomi24-korpus, jossa on noin 2,7 miljardia sanaa. Koska aineisto ei ole tutkimuskäyttöön koottua vaan spontaanisti syntynyttä verkkokeskustelua, se tarjoaa kattavan näkymän kansalaiskeskusteluihin.

Julkaisuja

Ainiala, Terhi & Jarmo Harri Jantunen 2019: Korpusonomastinen tutkimus slanginimistä Hesa ja Stadi digitaalisissa diskursseissa. Sananjalka 61(61), 57–79. https://doi.org/10.30673/sja.80312

Ainiala, Terhi (2021: Nimet kaupunkimaisemassa: Kerrostumat, merkitykset ja mielikuvat. In T. Vahtikari, T. Ainiala, A. Kivilaakso, P. Olsson, & P. Savolainen (toim.), Humanistinen kaupunkitutkimus, 119-142. Tampere: Vastapaino.

Ainiala, T. & Sjöblom, P. 2020, Nimistöntutkimus. in M Luodonpää-Manni, M Hamunen, R Konstenius, M Miestamo, U Nikanne & K Sinnemäki (eds), Kielentutkimuksen menetelmiä I-IV. Suomalaisen Kirjallisuuden Seuran Toimituksia, Suomalaisen Kirjallisuuden Seura, pp. 800-830. https://doi.org/10.21435/skst.1457

Jantunen, Jarmo Harri, Terhi Ainiala, Salla Jokela & Jenny Tarvainen 2022: Mapping Digital Discourses of the Capital Region of Finland: Combining Onomastics, CADS, and GIS. Names 70:1, 20–39. https://doi.org/10.5195/names.2022.2289

Lisätietoa Kielipankissa olevista aineistoista

 

FIN-CLARIN eli suomalaisten yliopistojen, CSC – Tieteen tietotekniikan keskuksen ja Kotimaisten kielten keskuksen muodostama konsortio auttaa humanististen tieteiden tutkijoita käyttämään, jalostamaan, säilyttämään ja jakamaan tutkimusaineistoja. Aineistoja ja työkaluja tarjoaa Kielipankki.

Kaikki tähän saakka esitellyt Kielipankin käyttäjät löytyvät Kuukauden tutkija -arkistosta. Tämä artikkeli julkaistaan myös Helsingin yliopiston humanistisen tiedekunnan verkkosivuilla.

 

Kuukauden tutkija: Ari Huhta

Ari Huhta
Kuva: Anne Pitkänen-Huhta

Kielipankki koostuu kattavasta joukosta aineistoja sekä niiden tutkimiseen soveltuvista ohjelmistoista tehokkaassa laiteympäristössä. Ari Huhta kertoo kielitaidon arviointiin liittyvästä tutkimuksestaan.

Kuka olet?

Olen Ari Huhta, kielitaidon arvioinnin professori ja Soveltavan kielentutkimuksen keskuksen (Solki) johtaja Jyväskylän yliopistossa.

Mikä on tutkimuksesi aihe?

Työurani aikana olen ollut mukana kehittämässä erilaisia kielitaidon arviointivälineitä ja -järjestelmiä ja tehnyt niihin liittyvää tutkimusta. Viimeisten 15 vuoden aikana tutkimukseni kohteena on myös ollut vieraan ja toisen kielen oppiminen ja siihen liittyvät tekijät.

Kielitaidon arvioinnilla, tai arvioinnilla yleensä, on monia eri tarkoituksia. Joissakin on kyse erilaisten todistusten myöntämisestä tietyn osaamistason tai tavoitteen saavuttamisesta. Tästä on kyse esimerkiksi Ylioppilastutkinnossa tai Suomen kansalaisuuteen vaadittavan kielitaidon osoittamiseen käytetyissä Yleisissä kielitutkinnoissa. Olen ollut mukana näiden molempien tutkintojärjestelmien toiminnassa, mutta valtaosa tutkimuksestani on koskenut oppimista tukevaa kielitaidon arviointia, jota tavallisesti kutsutaan formatiiviseksi tai diagnostiseksi.

Erityisen tärkeä hanke urallani oli kansainvälinen Dialang-projekti, jossa kehitettiin 14-kielinen arviointi- ja palautejärjestelmä, jota voi käyttää verkkoselaimen kautta. Dialang valmistui jo 2004, mutta on edelleen saatavilla verkossa. Dialangista sai alkunsa moni tutkimushanke, joissa yhdistyvät kielitaidon arvioinnin ja kielen oppimisen näkökulmat. Tutkimuksissa selvitettiin, miten taito käyttää kieltä ja kielen piirteet (esim. rakenteet ja sanasto) liittyvät toisiinsa ja kehittyvät yhdessä, mistä on apua sekä oppimateriaalien että oppimista tukevian arviointivälineiden kehittämiselle. Tutkijat ovat olleet erityisen kiinnostuneita Eurooppalaisen kielitaidon viitekehyksen (EVK/CEFR) toiminnallisesti määriteltyjen osaamistasojen kielellisistä piirteistä, koska näitä tasoja käytetään yleisesti Euroopassa, Suomi mukaan lukien, vieraan kielen oppimistavoitteiden määrittämisen apuna.

Edellä mainituista tutkimushankkeista tärkeimpiä olivat Suomen Akatemian rahoittamat Cefling– ja Topling-projektit (PI prof. Maisa Martin, JyU), joissa tutkittiin kirjoitustaitoa ja sen kehittymistä suomenkielisillä englannin ja ruotsin oppijoilla ja monikielisestä taustasta tulleiden suomi toisena kielenä (S2) -oppijoilla sekä johtamani Dialuki-hanke, joka tutki englannin ja S2-oppijoiden luku- ja kirjoitustaitoa. Näiden hankkeiden osallistujat olivat eri ikäisiä suomalaisia koululaisia. Viime vuosina olen tutkinut erityisesti varhaista englannin kielen oppimista ja opetusta alakouluissa. Lisäksi olen mukana Helsingin yliopiston, Aalto-yliopiston ja Jyväskylän yliopiston yhteisessä DigiTala-projektissa, joka tutkii suomen ja ruotsin oppijoiden puheen automaattista tunnistamista ja arviointia.

Miten Kielipankki liittyy tutkimukseesi?

Cefling- ja Topling-projekteissa kerättyjä kielenoppijoiden tuottamia tekstejä on jo saatavilla Kielipankin kautta (Topling-aineisto). Myös Dialuki-hankkeen aineisto julkaistaan piakkoin. Lisäksi mahdollisimman suuri osa DigiTala-hankkeessa koostetuista puheaineistoista on tarkoitus saada tutkijayhteisön käyttöön Kielipankin välityksellä. Näin haluamme vahvistaa ja helpottaa kielen oppimista koskevaa tutkimusta.

Julkaisuja

Khushik, Ghulam & Huhta, Ari. 2022. Syntactic complexity in English as a foreign language learners’ writing at CEFR levels A1 – B2. European Journal of Applied Linguistics, 10(1). Early online. https://doi.org/10.1515/eujal-2021-0011

Khushik, Ghulam & Huhta, Ari. 2020. Investigating syntactic complexity in EFL learners’ writing across Common European Framework of Reference levels A1, A2, and B1. Applied Linguistics 41(4), 506-553. https://doi.org/10.1093/applin/amy064

Leontjev, Dmitri; Huhta, Ari & Mäntylä, Katja. 2016. Word derivational knowledge and writing proficiency: How do they link? System 59, 73-89. https://doi.org/10.1016/j.system.2016.03.013

Huhta, Ari; Alanen, Riikka; Tarnanen, Mirja; Martin, Maisa & Hirvelä, Tuija. 2014. Assessing learners’ writing skills in a SLA study: Validating the rating process across tasks, scales and languages. Language Testing 31(3) 307–328. https://doi.org/10.1177/0265532214526176

Mäntylä, Katja & Huhta Ari. 2013. Knowledge of word parts. In Milton, James & Fitzpatrick, Tess (eds.) Dimensions of Vocabulary Knowledge. (pp. 45-59). Palgrave.

Alanen, Riikka; Huhta, Ari & Tarnanen Mirja. 2010. Designing and assessing L2 writing tasks across CEFR proficiency levels. In Bartning, Inge; Martin, Maisa & Vedder Ineke (eds.) Communicative proficiency and linguistic development: intersections between SLA and language testing research. EUROSLA Monograph Series, 1. 21-56. http://eurosla.org/monographs/EM01/EM01home.html

 

Lisätietoa Kielipankissa olevista aineistoista

 

FIN-CLARIN eli suomalaisten yliopistojen, CSC – Tieteen tietotekniikan keskuksen ja Kotimaisten kielten keskuksen muodostama konsortio auttaa humanististen tieteiden tutkijoita käyttämään, jalostamaan, säilyttämään ja jakamaan tutkimusaineistoja. Aineistoja ja työkaluja tarjoaa Kielipankki.

Kaikki tähän saakka esitellyt Kielipankin käyttäjät löytyvät Kuukauden tutkija -arkistosta. Tämä artikkeli julkaistaan myös Helsingin yliopiston humanistisen tiedekunnan verkkosivuilla.

 

Kuukauden tutkija: Tuisku Vilenius

Tuisku Vilenius
Kenttätyömatkalla Tverin Karjalassa kesällä 2019. Kuva: Tuisku Vilenius

Kielipankki koostuu kattavasta joukosta aineistoja sekä niiden tutkimiseen soveltuvista ohjelmistoista tehokkaassa laiteympäristössä. Tuisku Vilenius kertoo gradustaan, jossa hän tutki laajan tekstikorpuksen avulla, millaisia kulttuurisia stereotypioita ilmeni alkuperäiskansaan liittyvissä internetkeskusteluissa.

Kuka olet?

Olen Tuisku Vilenius ja valmistuin viime kesänä kielitieteen maisteriksi Helsingin yliopistosta. Sivuaineena opiskelin saamentutkimusta ja alkuperäiskansatutkimusta. Kielitasolla olen erityisen kiinnostunut saamen kielistä, mayakielistä ja nahuatlista. Tällä hetkellä työskentelen suomen kielen opettajana maahanmuuttajille ja suunnittelen jatko-opintojani.

Mikä on tutkimuksesi aihe?

Maisterintutkielmani tavoitteena oli selvittää, millä tavalla tavalliset suomalaiset suhtautuvat saamelaisiin ja saamelaisuuteen. Koska graduni kirjoitusprosessin alkuvaiheessa saamenopintoni olivat vasta aluillaan, päätin lähestyä aihetta suomenkielisen aineiston kautta. Tutkin, mitä adjektiiveja suomalaiset internetkeskustelijat käyttävät viitatessaan saamelaisiin, ja mitkä laajemmat diskurssit tai stereotyypit vaikuttavat keskustelijoiden valitsemiin adjektiiveihin. Samalla tutkimukseni on myös diakroninen katsaus suomalaiseen saamelaiskeskusteluun viime vuosikymmenillä.

Mielenkiintoista oli, että vaikka saamelaisiin liittyvän keskustelun määrä tarkastelemallani ajanjaksolla (2001–2017) kasvoi merkittävästi, saamelaisiin kohdistuvat viittaukset muuttuivat vain vähän. Koko tarkasteltuna ajanjaksona keskustelua hallitsi stereotyyppinen näkökulma, jossa saamelaiset miellettiin perinteikkääksi ja jopa muinaiseksi kansaksi. Tätä selittänee se, että keskivertosuomalaisella on vain vähän arkipäivän kontakteja saamelaisiin. Toisaalta suuri osa keskustelusta keskittyi määrittelemään, kuka ja millainen oikeastaan on aito saamelainen, mikä kertoo valtaväestön tarpeesta hallita ja määritellä alkuperäiskansaa.

Miten Kielipankki liittyy tutkimukseesi?

Käytin tutkimukseni aineistona Kielipankin Korp-työkalussa käytettävissä olevaa Suomi24-korpusta, joka sisälsi Suomi24-keskustelupalstalla käydyt keskustelut vuosilta 2001-2017. Valitsin tämän aineiston, koska se tarjosi hyvin laajan näkemyksen suomalaisen internetkeskustelun historiaan. Internetkeskusteluaineisto ilmentää myös todennäköisesti paremmin tavallisen suomalaisen näkemyksiä kuin esimerkiksi sanomalehtien artikkelit, joiden pohjalta saamelaiskeskustelua oli tutkittu aiemmin. Laajan aineiston lisäksi minua ilahduttivat erilaiset lisäominaisuudet, joita Korpissa oli käytettävissä. Sen lisäksi, että pystyin helposti hakemaan hakutyökalulla saamelaisiin viittaavia adjektiiveja, hyödynsin myös tunnistetietoja, jotka kertoivat esimerkiksi milloin ja millä keskustelupalstalla viesti oli lähetetty. Näiden perusteella pystyin hahmottamaan paremmin, mihin aiheeseen saamelaiskeskustelut liittyivät.

Kielipankkiin liittyviä julkaisuja

Vilenius, Tuisku 2021. Oikeat ja muinaiset: saamelaisstereotyypit suomalaisissa internetkeskusteluissa. Pro gradu -tutkielma. Helsingin yliopisto. Saatavilla: URN:NBN:fi:hulib-202106152749

 

Lisätietoa Kielipankissa olevista aineistoista

 

Artikkeliin liittyviä opintokokonaisuuksia ja tieteenaloja Helsingin yliopistolla

 

FIN-CLARIN eli suomalaisten yliopistojen, CSC – Tieteen tietotekniikan keskuksen ja Kotimaisten kielten keskuksen muodostama konsortio auttaa humanististen tieteiden tutkijoita käyttämään, jalostamaan, säilyttämään ja jakamaan tutkimusaineistoja. Aineistoja ja työkaluja tarjoaa Kielipankki.

Kaikki tähän saakka esitellyt Kielipankin käyttäjät löytyvät Kuukauden tutkija -arkistosta. Tämä artikkeli julkaistaan myös Helsingin yliopiston humanistisen tiedekunnan verkkosivuilla.

 

Kuukauden tutkija: Jussi Ylikoski

Jussi Ylikoski
Kuva: Ilona Ylikoski

Kielipankki koostuu kattavasta joukosta aineistoja sekä niiden tutkimiseen soveltuvista ohjelmistoista tehokkaassa laiteympäristössä. Jussi Ylikoski kertoo tutkimuksestaan, joka liittyy suomen ja sen sukukielten kieliopillisiin piirteisiin ja niiden kehitykseen.

Kuka olet?

Olen Jussi Ylikoski, kielentutkija. Työskentelen viidettä vuotta Oulun yliopistossa saamen kielen professorina, mutta syksystä 2022 alkaen Turun yliopiston suomalais-ugrilaisen kielentutkimuksen professorina. Olen siis aika monen kielen tutkija, myös suomen.

Mikä on tutkimuksesi aihe?

Tutkimusaiheita on riittänyt suomen ja sen sukukielten parissa, välillä osin niiden ulkopuolellakin. Eniten olen tutkinut tuttujen ja tuntemattomampien kielten kielioppeja eli muoto- ja lauseoppia, mutta välillä myös muun muassa etymologiaa. Nykykieliä tutkiessani en useinkaan malta olla tarkastelematta kieliä myös niiden kehityksen näkökulmasta, kielihistoriaa tutkiessani puolestaan kiinnitän tavallista enemmän huomiota nykykielten todelliseen käyttöön todellisten tekstiaineistojen valossa.

Miten Kielipankki liittyy tutkimukseesi?

Kielipankin aineistoja olen käyttänyt etenkin suomen kielen kieliopin tutkijana. Jo vuonna 2003 julkaisin artikkelin, jossa selvitin Kielipankissa olevan Suomen kielen tekstikokoelman avulla, että ns. 5. infinitiivinä tunnettua verbimuotoa (-maisillaan, –mäisillään) käytetään monella muullakin tavalla kuin vain olla-verbin yhteydessä, toisin kuin kieliopit aina olivat esittäneet. Esimerkiksi otsasuonet eivät välttämättä vain ole repeämäisillään vaan ne voivat myös vaikkapa pullistella repeämäisillään – tai joku raukka voi peloissaan odottaa jotain otsasuonet repeämäisillään.

Viime vuosina olen innostunut entistä suuremmista, miljardien sanojen laajuisista tekstimassoista, joita on saatavilla Kielipankin ja muiden CLARIN-palveluiden kautta. Tutkimuksessani olen käyttänyt mm. Helsingin yliopiston suomenkielisen E­-thesiksen Korp­-versiota, Kansalliskirjaston sanoma­ ja aikakauslehti­kokoelman suomenkielistä osakorpusta, Suomi 24 ­-korpuksen eri versioita, Ylilauta-korpusta sekä 1990- ja 2000-luvun suomalaisia aikakaus- ja sanomalehtiä -korpuksen versiota 2.  Laajojen aineistojen avulla myös suomen kaltaisesta todella hyvin tunnetusta ja tutkitusta kielestä on mahdollista löytää tavallaan jopa uusia sijamuotoja. Olen tarkastellut mm. vanhastaan prolatiiviksi kutsuttujen muotojen lauseoppia ja havainnut niiden käytössä sijamaisempia piirteitä kuin mitä aiemmassa tutkimuskirjallisuudessa on esitetty. Kyse ei aina ole vain yksittäisistä sanoista (esim. maitse ja meritse), vaan niitä voivat määrittää myös sivulauseet (esim. mailitse jossa on helpompi kaunistella asioita ja tekstiviestitse joihin turhan harva vastaa).

Jännittävimpiä havaintoja olen tehnyt tutkiessani sellaisia aiemmin selvinä johdoksina pidettyjä muotoja kuin lauantaisin ja viikonloppuisin tai kunnittain ja aihealueittain. Kielipankin Korp-käyttöliittymällä on mahdollista löytää miljardien sanojen kokoisista aineistoista satoja tai jopa tuhansia suhteellisen luontevia lauseita, joissa tällaisillakin muodoilla on erilaisia määritteitä, jotka saavat ne näyttämään substantiivien taivutusmuodoilta: elokuun lauantaisin, joka lauantaisin, satunnaisin viikonloppuisin tai vaikkapa Suomen kunnittain, eri maittain ja tietyin aihealueittain. Koska tällaiset temporaalit (lauantaisin) ja distributiivit (kunnittain) käyttäytyvät hyvin sijamaisesti, olen leikkisästi kutsunut kyseisiä muotoja ”kääpiösijoiksi” samaan tapaan kuin aiemmin planeettana tunnettua Plutoa kutsutaan nykyään kääpiöplaneetaksi.

Johdosten ja taivutusmuotojen rajankäyntiin uppouduttuani olen päätynyt tarkastelemaan myös esimerkiksi suomen abessiivia (rahatta, internetittä jne.) ja ns. t-akkusatiivia (minut, meidät jne.) aiempaa perusteellisemmin. Itse havainnoin ja kuvaan aiemmin tuntemattomiksi jääneitä muotoja ja lauserakenteita mieluiten deskriptiivisen kielentutkimuksen keinoin, mutta Kielipankin välineet tarjoavat paljon mahdollisuuksia myös kvantitatiivisesta analyysista kiinnostuneille.

Kielipankin ohella olen käyttänyt vähintään yhtä paljon tromssalaisten kieliteknologien tuottamia saamelaiskielten ja monien muidenkin uralilaisten vähemmistökielten korpuksia, jotka hyödyntävät samaa Korp-käyttöliittymää kuin suomalainen Kielipankki. Suomen sukukielten ystävät löytävät kyseisiä aineistoja Tromssan yliopiston Giellateknon ylläpitämästä Korp-palvelusta, http://gtweb.uit.no/korp/ (saame) ja http://gtweb.uit.no/u_korp/ (muut sukukielet). Vaikkapa 63 miljoonaa sanaa annotoitua maria – voiko fennougristi enempää toivoa?

Kielipankkiin liittyviä julkaisuja

Ylikoski, Jussi. 2003. Havaintoja suomen ns. viidennen infinitiivin käytöstä. [Summary: Remarks on the use of the proximative verb form (the so-called 5th infinitive) in Finnish.] Sananjalka 45. 7–44. https://doi.org/10.30673/sja.86640

Ylikoski, Jussi. 2018. Prolatiivi ja instrumentaali: suomen –(i)tse ja –teitse kieliopin ja leksikon rajamailla. Sananjalka 60. 7–27. [Summary: On Finnish prolatives and instrumentals: –(i)tse and –teitse in between grammar and lexicon.] https://doi.org/10.30673/sja.69978

Ylikoski, Jussi. 2020. Kielemme kääpiösijoista: prolatiivi, temporaali ja distributiivi. Virittäjä 124. 529–554. [Summary: On Finnish dwarf cases: prolative, temporal and distributive.] https://doi.org/10.23982/vir.76971

Ylikoski, Jussi. 2021. Abessiivin apologia. Puhe ja kieli 41. 139–157. [Summary: Apologia of the Finnish abessive case.] https://doi.org/10.23997/pk.110924

Ylikoski, Jussi. 2021. Mistä voisin löytää sen entisen sinut? Suomen kielen akkusatiivi- ja pronominioppia. – Leena Maria Heikkola, Geda Paulsen, Katarzyna Wojciechowicz & Jutta Rosenberg (toim.), Språkets funktion. Juhlakirja Urpo Nikanteen 60-vuotispäivän kunniaksi. Festskrift till Urpo Nikanne på 60-årsdagen. Festschrift for Urpo Nikanne in honor of his 60th birthday. Åbo: Åbo Akademis förlag. 220–243. https://urn.fi/URN:ISBN:978-952-12-4062-1

 

Lisätietoa Kielipankissa olevista aineistoista

 

FIN-CLARIN eli suomalaisten yliopistojen, CSC – Tieteen tietotekniikan keskuksen ja Kotimaisten kielten keskuksen muodostama konsortio auttaa humanististen tieteiden tutkijoita käyttämään, jalostamaan, säilyttämään ja jakamaan tutkimusaineistoja. Aineistoja ja työkaluja tarjoaa Kielipankki.

Kaikki tähän saakka esitellyt Kielipankin käyttäjät löytyvät Kuukauden tutkija -arkistosta. Tämä artikkeli julkaistaan myös Helsingin yliopiston humanistisen tiedekunnan verkkosivuilla.

 

Kuukauden tutkija: Jutta Salminen

Jutta Salminen
Kuva: Malin Bengtsson

Kielipankki koostuu kattavasta joukosta aineistoja sekä niiden tutkimiseen soveltuvista ohjelmistoista tehokkaassa laiteympäristössä. Jutta Salminen kertoo tutkimuksestaan, joka liittyy kiellon ilmaisemiseen suomen kielessä.

Kuka olet?

Olen Jutta Salminen (FT, MuK). Väittelin Helsingin yliopistosta suomen kielen alalta keväällä 2020 ja työskentelen kuudetta vuotta suomen kielen lehtorina Greifswaldin yliopistossa Saksassa. Olen kiinnostunut kieliopista ja kielellisestä merkityksestä – erityisesti kaikesta, mikä liittyy kiellon ilmaisuun sekä monimerkityksisyyteen.

Mikä on tutkimuksesi aihe?

Väitöskirjassani tutkin epäillä-verbin ja sen nominijohdosten epäily ja epäilys käyttöä ja tulkintoja sekä verbin osalta myös sen muuttumista kirjoitetun suomen aikana. Tutkimuksen lähtökohtana oli huomio, että epäileminen voi nykysuomessa käyttöyhteydestään riippuen tarkoittaa joko jonkin asian todennäköisenä tai epätodennäköisenä pitämistä. Kiinnostuin siis siitä, kuinka yksittäistä sanaa voidaan käyttää itselleen vastakohtaisissa merkityksissä. Lisäksi näiden sanojen kautta pääsi tarkastelemaan sitä, miten varsinainen kielto (’ei ole (totta, että) X’) ja ns. evaluoiva kielteisyys (’ei ole hyvä, että X’, ’en pidä X:stä’) suhteutuvat toisiinsa kielen käytössä, sillä epäillä-verbin ja sen nominijohdosten merkityspotentiaaliin kuuluvat nämä molemmat kielteisyyden puolet.

Työn alla oleva tutkimukseni käsittelee suomen kieltohakuisia pro-sanoja (esim. kukaan) ja sitä, mitä niiden käyttökontekstit kertovat niiden kieliopillisesta ja semanttisesta luonteesta. Englanninkielisessä kirjallisuudessa nimellä negative polarity item (NPI) kulkevia elementtejä on tutkittu (etenkin isoista indoeurooppalaisista kielistä) varsin paljon, ja on kiinnostavaa tarkastella, kuinka suomen elementit suhteutuvat näihin kuvauksiin.

Miten Kielipankki liittyy tutkimukseesi?

Kun tutkitaan kielellisen merkityksen vaihtelua, muutosta ja eri tulkintojen yleisyyttä, tarvitaan analyysin materiaaliksi kieliaineistojen esiintymiä tutkittavasta kielenaineksesta. Väitöstutkimukseni epäillä-verbianalyysia varten kokosin eri tekstilajeja edustavan aineiston useista korpuksista: Suomen kielen tekstikokoelmasta, Suomalaisen kirjallisuuden klassikoista, Varhaisnykysuomen korpuksesta, Kansalliskirjaston sanomalehti- ja aikakauslehtikokoelman (KLK) suomenkielisestä osakorpuksesta sekä Vanhan kirjasuomen korpuksesta. Väitöskirjatyöni alkuvaiheessa Suomen kielen tekstikokoelma oli vielä saatavilla Kielipankin aikaisemmassa Lemmie-hakukäyttöliittymässä ja muut korpukset KLK:ta lukuun ottamatta löytyivät Kotuksen Kaino-palvelusta. Nykyisin voin käyttää kaikkia mainittuja aineistoja Kielipankin Korp-alustalla.

Perustin epäily(s)-nominien vertailun niiden esiintymiin HS.fi-uutiskommenttiaineistossa, jonka avulla saatoin tarkastella kyseisten sanojen käyttöä sekä toimitetussa uutistekstissä että lukijakommenteissa. Koska monimerkityksisten sanojen merkitysvariantit hahmottuvat kielellisten kontekstien kautta, oli tutkimukseni kannalta olennaista, että pääsin Kielipankin kautta tehokkaasti käsiksi myös laajempiin yksittäisten hakutulosten käyttöyhteyksiin.

Käynnissä oleva tutkimukseni kieltohakuisista elementeistä on luonteeltaan pitkälti kieliopin kuvausta.  Koska kielioppi elää käytössä, ovat kieliaineistot itse postuloitujen esimerkkien ohella tarpeellisia tällaisessa tutkimuksessa etenkin, kun jokin ilmaisutapa on (vielä) vakiintuneisuuden ja hyväksyttävyyden rajoilla. Suomi24-korpus on osoittautunut hedelmälliseksi aineistoksi kieltohakuisten ainesten käytön tarkastelussa.

Kielipankkiin liittyviä julkaisuja

Salminen, Jutta (2020). Epäilemisen merkitys. Epäillä-sanueen polaarinen kaksihahmotteisuus kiellon ja kielteisyyden semantiikan peilinä. Väitöskirja. Helsinki: Helsingin yliopisto. http://urn.fi/URN:ISBN:978-951-51-5879-6

Salminen, Jutta (2018). Paratactic negation revisited. The case of the Finnish verb epäillä. Functions of Language 25(2): 259–288. https://doi.org/10.1075/fol.15030.sal

Salminen, Jutta (2017). Mitä tarkoittaa epäillä? Epäillä-verbin polaarisesta merkitysvariaatiosta nykysuomessa. Virittäjä 121: 4–36. https://journal.fi/virittaja/article/view/52322

Salminen, Jutta (2017). Epäillä-verbin polaarinen kaksihahmotteisuus merkitysmuutoksena. Virittäjä 121: 37–66. https://journal.fi/virittaja/article/view/52323

Salminen, Jutta (2017). Epäily vai epäilys? Jaettu polysemia ja lekseemien tyypilliset käytöt. Sananjalka 59: 217–243. https://doi.org/10.30673/sja.66636

 

Lisätietoa Kielipankissa olevista aineistoista

 

FIN-CLARIN eli suomalaisten yliopistojen, CSC – Tieteen tietotekniikan keskuksen ja Kotimaisten kielten keskuksen muodostama konsortio auttaa humanististen tieteiden tutkijoita käyttämään, jalostamaan, säilyttämään ja jakamaan tutkimusaineistoja. Aineistoja ja työkaluja tarjoaa Kielipankki.

Kaikki tähän saakka esitellyt Kielipankin käyttäjät löytyvät Kuukauden tutkija -arkistosta. Tämä artikkeli julkaistaan myös Helsingin yliopiston humanistisen tiedekunnan verkkosivuilla.

 

Kuukauden tutkija: Mikko Kurimo

Mikko Kurimo
Kuva: Evelin Kask, Aalto-yliopisto

Kielipankki koostuu kattavasta joukosta aineistoja sekä niiden tutkimiseen soveltuvista ohjelmistoista tehokkaassa laiteympäristössä. Mikko Kurimo kertoo automaattiseen puheentunnistukseen liittyvästä tutkimuksestaan.

Kuka olet?

Olen puheen- ja kielenkäsittelyn professori ja puheentunnistuksen tutkimusryhmän johtaja Aalto-yliopiston signaalinkäsittelyn ja akustiikan laitoksella.

Mikä on tutkimuksesi aihe?

Kehitin 25 vuotta sitten väitöskirjatutkimuksessani neuroverkkoalgoritmeja, joilla opetin automaattista puheentunnistusta tarkemmaksi ja robustimmaksi. Äänteiden tilastollisten mallien opettamiseen tarvitaan suuria puheaineistoja, joissa äänteet on etukäteen kohdistettu tekstiin. Sellaisia oli kuitenkin tuohon aikaan saatavilla hyvin vähän. Niinpä tutkimusryhmämme joutui käytännössä keräämään ja käsittelemään aineistot itse. Työmme helpottui, kun saimme kehitettyä automaattisia menetelmiä puheen ja tekstin kohdistamiseen keskenään, jolloin suomen puheentunnistimen opettamisessa päästiin hyödyntämään äänikirjoja sekä radio- ja televisiouutisia (esim. FBC – Suomalainen radio- ja tv-korpus).

Pelkällä yksittäisten äänteiden mallintamisella ei kuitenkaan päästä riittävään tarkkuuteen, koska puheessa äänteet eivät erotu selvästi eivätkä aina samanlaisina vaan mukautuvat sana- ja lauseyhteyteen. Siksi puheentunnistimelle opetetaan myös malli käytetystä kielestä. Kielimallin avulla tunnistin päättelee, mitä sanoja ja lauseita puheen sisältämät äänneyhdistelmät todennäköisesti edustavat. Kielimallin opettamista varten tarvitaan valtava määrä tekstejä, joissa kieltä käytetään mahdollisimman monipuolisesti. Suomenkielisen puheentunnistimen opettamiseen on käytetty esimerkiksi Kielipankissa olevaa Suomen kielen tekstikokoelmaa (FTC).

Kun ääneen lukemisen ja sanelupuheen muuntaminen tekstiksi onnistuu tarpeeksi hyvin, tätä teknologiaa voidaan tavallisen tekstin sanelun lisäksi käyttää monissa hyödyllisissä sovelluksissa, esimerkiksi valmisteltujen puheiden litteroinnissa ja esitysten ja televisio-ohjelmien sanelutekstityksessä. Vielä enemmän minua kiinnostaa kuitenkin luonnollinen ja spontaani puhe, jota me kaikki käytämme arkipäiväisissä keskusteluissa ja kertomuksissa. Koska vapaa puhe on ihmiselle tehokkain viestintätapa, sitä ymmärtävä puheentunnistus on avainasemassa myös silloin, kun kehitetään ihmisen kanssa kommunikoivaa tekoälyä.

Keskustelupuheen mallien opettamisen vaikeutena on yhtäältä puheen valtava variaatio ja toisaalta se, että tarkasti litteroituja luonnollisen puheen aineistoja on heikosti saatavilla puheentunnistuksen opettamista varten. Koska kirjoitettu kieli poikkeaa monin tavoin puhutusta kielestä, on kielimallien opettamiseen tarvittavat tekstiaineistotkin käytännössä tuotettava litteroimalla ne ensin puheesta.

Miten Kielipankki liittyy tutkimukseesi?

Ensimmäisen keskustelupuheen puheentunnistimen opettamiseen käytimme itse keräämämme DSPCON-aineiston lisäksi FinDialogue-korpusta. Kielimallit opetettiin suodattamalla em. aineistojen perusteella puhutun kielen kaltaisia osia tekstimuotoisista keskusteluista.

Parhaillaan valmistelemme julkaistaviksi kahta uutta vapaan puheen korpusta, Eduskunnan täysistuntokeskustelujen laajennusta ja Lahjoita Puhetta -kampanjassa kerättyä aineistoa. Kummassakin on puhetta noin 4000 tuntia – siis merkittävästi enemmän kuin kaikissa aiemmin julkaistuissa suomenkielisissä puheentunnistuksen opettamiseen soveltuvissa puhekorpuksissa yhteensä. Uskon, että uusien aineistojen avulla voimme merkittävästi parantaa myös Aallon puheentunnistinta (Aalto-ASR), jonka uusin versio (Aalto-ASR 2.1) on tällä hetkellä käytettävissä Kielipankin kautta.

Kielipankkiin liittyviä julkaisuja

Mikko Kurimo (1997). Using Self-Organizing Maps and Learning Vector Quantization for Mixture Density Hidden Markov Models. PhD thesis, Helsinki University of Technology, Espoo, Finland.

Mikko Kurimo, Vesa Siivola, Teemu Hirsimäki, Janne Pylkkönen, Reima Karhila, Peter Smit, Seppo Enarvi, André Mansikkaniemi, Matti Varjokallio, Ulpu Remes, Heikki Kallasjoki, Sami Keronen, Katri Leino, Ville T. Turunen & Kalle Palomäki (tekijän nimet eivät ole missään erityisessä järjestyksessä, paitsi projektin johtaja mainitaan ensimmäisenä). 2000 –2016. AaltoASR – rajoittamattoman sanaston jatkuvan puheen automaattinen tunnistin avoimella lähdekoodilla, Aalto-yliopisto.

Seppo Enarvi & Mikko Kurimo (2013). Studies on Training Text Selection for Conversational Finnish Language Modeling. In Proceedings of the 10th International Workshop on Spoken Language Translation (IWSLT), Heidelberg, Germany, s. 256–263. Saatavilla: http://urn.fi/URN:NBN:fi:aalto-201708036342.

André Mansikkaniemi, Peter Smit & Mikko Kurimo (2017). Automatic Construction of the Finnish Parliament Speech Corpus. Proceedings of Interspeech 2017, Vol. 8, s. 3762–3766. Saatavilla: https://doi.org/10.21437/Interspeech.2017-1115

Juho Leinonen, Sami Virpioja & Mikko Kurimo (2021). Grapheme-Based Cross-Language Forced Alignment: Results with Uralic Languages. In Proceedings of the 23rd Nordic Conference on Computational Linguistics (NoDaLiDa). Linköping University Electronic Press. Saatavilla: http://hdl.handle.net/10138/330758

Peter Smit, Sami Virpioja & Mikko Kurimo (2021). Advances in subword-based HMM-DNN speech recognition across languages. Computer Speech & Language,Vol. 66. Saatavilla: https://doi.org/10.1016/j.csl.2020.101158

 

Lisätietoa Kielipankissa olevista kielivaroista

 

FIN-CLARIN eli suomalaisten yliopistojen, CSC – Tieteen tietotekniikan keskuksen ja Kotimaisten kielten keskuksen muodostama konsortio auttaa humanististen tieteiden tutkijoita käyttämään, jalostamaan, säilyttämään ja jakamaan tutkimusaineistoja. Aineistoja ja työkaluja tarjoaa Kielipankki.

Kaikki tähän saakka esitellyt Kielipankin käyttäjät löytyvät Kuukauden tutkija -arkistosta. Tämä artikkeli julkaistaan myös Helsingin yliopiston humanistisen tiedekunnan verkkosivuilla.

 

Kuukauden tutkija: Veronika Laippala

Veronika Laippala
Kuva: Matti Honka-Hallila

 

Kielipankki koostuu kattavasta joukosta aineistoja sekä niiden tutkimiseen soveltuvista ohjelmistoista tehokkaassa laiteympäristössä. Veronika Laippala kertoo suuriin kieliaineistoihin ja laskennallisiin menetelmiin liittyvästä tutkimuksestaan.

Kuka olet?

Olen Veronika Laippala ja toimin digitaalisen kielentutkimuksen professorina Turun yliopiston kieli- ja käännöstieteiden laitoksella ja TurkuNLP-tutkimusryhmässä.

Mikä on tutkimuksesi aihe?

Suurin osa tutkimuksestani liittyy tavalla tai toisella kielenkäyttöön: suuriin, useimmiten internetistä koostettuihin aineistoihin ja laskennallisiin menetelmiin. Lisäksi olen ollut mukana kehittämässä suomenkielistä kieliteknologiaa, kuten Turku Dependency Treebank -puupankkia ja Turku NER -nimientunnistusjärjestelmää.

Tällä hetkellä meillä on käynnissä useita hankkeita, joissa työstetään internetpohjaisia kieliaineistoja tarkastelemalla niissä käytettäviä tekstilajeja ja kehittämällä koneoppimismenetelmiä, jotka tunnistavat tekstilajeja automaattisesti. Tällaisista menetelmistä ja välineistä hyötyisivät sekä internetin käyttäjät ylipäätään että internetpohjaisia kieliaineistoja käyttävät tutkijat.

Miten Kielipankki liittyy tutkimukseesi?

Kielipankin laaja aineistovalikoima antaa mahdollisuuksia vaikka mihin! Eniten olen luultavasti käyttänyt Suomi 24-aineistoa, joka on laajuudessaan ainutlaatuinen. Lisäksi puupankkimme pohjalta kehitettyä syntaksijäsennintä käytetään Kielipankin aineistojen jäsentämiseen. Ja tietysti opetan kursseillani Korp-käyttöliittymän käyttöä.

Kielipankkiin liittyviä julkaisuja

Liina Repo, Valtteri Skantsi, Samuel Rönnqvist, Saara Hellström, Miika Oinonen, Anna Salmela, Douglas Biber, Jesse Egbert, Sampo Pyysalo & Veronika Laippala (2021). Beyond the English Web: Zero-Shot Cross-Lingual and Lightweight Monolingual Classification of Registers. Proceedings of the 16th Conference of the European Chapter of the Association for Computational Linguistics: Student Research Workshop, pp. 183–191. Saatavilla: https://aclanthology.org/2021.eacl-srw.24.

Veronika Laippala, Jesse Egbert, Douglas Biber & Aki-Juhani Kyröläinen (2021). Exploring the role of lexis and grammar for the stable identification of register in an unrestricted corpus of web documents. Language Resources and Evaluation, Vol. 55, pp. 757–788. DOI: 10.1007/s10579-020-09519-z.

 

Lisätietoa Kielipankissa olevista kielivaroista

 

FIN-CLARIN eli suomalaisten yliopistojen, CSC – Tieteen tietotekniikan keskuksen ja Kotimaisten kielten keskuksen muodostama konsortio auttaa humanististen tieteiden tutkijoita käyttämään, jalostamaan, säilyttämään ja jakamaan tutkimusaineistoja. Aineistoja ja työkaluja tarjoaa Kielipankki.

Kaikki tähän saakka esitellyt Kielipankin käyttäjät löytyvät Kuukauden tutkija -arkistosta. Tämä artikkeli julkaistaan myös Helsingin yliopiston humanistisen tiedekunnan verkkosivuilla.

 

Kuukauden tutkija: Juho Leinonen

Juho Leinonen
Kuva: Petteri Haapaniemi

 

Kielipankki koostuu kattavasta joukosta aineistoja sekä niiden tutkimiseen soveltuvista ohjelmistoista tehokkaassa laiteympäristössä. Juho Leinonen kertoo puheen automaattiseen tunnistamiseen ja kohdistamiseen sekä chattibotteihin liittyvistä tutkimuksistaan.

Kuka olet?

Olen Juho Leinonen ja opiskelen tekniikan tohtoriksi Mikko Kurimon johtamassa puheentunnistusryhmässä Aalto-yliopistossa. Aloitin jatko-opintoni vuonna 2017 työskenneltyäni sitä ennen pari vuotta teollisuuden palveluksessa.

Mikä on tutkimuksesi aihe?

Diplomityöni aiheena oli saamenkielinen puheentunnistus, josta saatua kokemusta pystyn soveltamaan myös jatko-opinnoissa. Nykyisessä chattibotteja ja puheen kohdistamista koskevassa työssäni tarvitaan kielimalleja ja akustisia malleja, joita käytetään myös automaattisessa puheentunnistuksessa. Siinä missä kielimallit auttavat puheentunnistinta tunnistamaan epäselvästi lausuttuja sanoja, tutkimani chattibotit tuottavat kielimallien avulla uutta tekstiä. Kielimalleja voidaan käyttää myös esimerkiksi chattibotin tuottaman tekstin laadun arvioimiseen. Näin syntyy kehä: Jotta tekstin laadun arviointi toimisi luotettavasti, pitäisi ensin ymmärtää, mitä laadukas teksti on, mutta samaa ymmärrystä tarvittaisiin toisaalta myös tekstin tuottamiseen chattibotilla. Ongelma onkin oikeastaan sekä insinööritieteellinen että filosofinen.

Perinteisessä puheentunnistuksessa kohteena olevalle ääninäytteelle pyritään etsimään teksti, joka vastaa näytettä mahdollisimman hyvin. Kun puheentunnistinta kehitetään, tarvitaan ns. akustisia malleja varten kuitenkin ensin koulutusdataa, jossa teksti on kohdistettu puheeseen. Tekstin ja puheen kohdistaminen onkin puheentunnistuksessa rutiinia. Kohdistaminen olisi kuitenkin tarpeellista myös muiden alojen tutkijoille, eivätkä kaikki voi ryhtyä puheentunnistuksen ammattilaisiksi ennen kuin pääsevät alkuun omassa tutkimuksessaan. Kuluneen vuoden aikana olen paketoinut ryhmämme käyttämiä tunnistus- ja kohdistustyökaluja kokonaisuudeksi, joka olisi mahdollisimman helposti jaettavissa. Koetan myös etsiä hyviä mittareita, joiden avulla puheen ja tekstin kohdistuksen laatua voitaisiin arvioida. Tavoitteenani on selvittää, mitkä akustiset mallit tai piirteet tuottavat parhaan kohdistuksen ja millaisissa tilanteissa valtakielille tehtyjä malleja voisi tai kannattaisi käyttää myös muiden, harvinaisempien kielten kohdistamiseen. Tämä tutkimus on myös avannut minulle kielitieteilijöiden maailmaa, kun yritän tehdä työkalusta heillekin mahdollisimman hyödyllisen.

Miten Kielipankki liittyy tutkimukseesi?

Hetken päähänpistosta tulin kokeilleeksi suomenkieliselle puheelle kehitettyä puheentunnistintamme saamenkielisen Giellagas-aineiston (Pohjoissaamen näytekorpus) kohdistamiseen, jolloin syntyi viimeisimmässä julkaisussani (Leinonen, Virpioja & Kurimo, 2021) kuvattu idea kielten välisestä kohdistuksesta. Yhdelle kielelle kehitettyä kohdistustyökalua voi siis mahdollisesti käyttää myös muiden kielten puheen ja tekstin kohdistamiseen, jos kielten äänne- ja kirjoitusjärjestelmät ovat riittävän samankaltaisia. Pyrin jatkossa hyödyntämään muitakin Kielipankissa olevia puheaineistoja, joissa on mukana puheeseen kohdistetut tekstit. Tutkimuksessa käyttämäni kohdistin on nykyään myös muiden tutkijoiden käytettävissä osana Aalto-yliopiston automaattista puheentunnistinta (Aalto-ASR v.2), joka on valmiiksi asennettu CSC:n Puhti-laskentaympäristöön.

Chattibottien opettamiseen käytän myös Kielipankin Suomi24-aineistoa. Voi tuntua nurinkuriselta, että tällaista kieltä käytetään ”opetustarkoituksessa”. Kielimalleja varten tarvitaan kuitenkin valtavasti tekstiä ja sopivaa aineistoa on vaikea löytää tarpeeksi suurta määrää.

Kielipankkiin liittyviä julkaisuja

Leinonen, J., Smit, P., Virpioja, S., & Kurimo, M. (2017). New baseline in automatic speech recognition for Northern Sámi. In International Workshop on Computational Linguistics for the Uralic Languages (pp. 89-99). https://doi.org/10.18653/v1/W18-0208

Leino, K., Leinonen, J., Singh, M., Virpioja, S., & Kurimo, M. (2020). FinChat: Corpus and evaluation setup for Finnish chat conversations on everyday topics. In Interspeech (pp. 429-433). International Speech Communication Association. https://doi.org/10.21437/Interspeech.2020-2511

Leinonen, J., Virpioja, S., & Kurimo, M. (2021, May). Grapheme-Based Cross-Language Forced Alignment: Results with Uralic Languages. In Proceedings of the 23rd Nordic Conference on Computational Linguistics (NoDaLiDa). Linköping University Electronic Press. http://hdl.handle.net/10138/330758

 

Lisätietoa Kielipankissa olevista kielivaroista

 

FIN-CLARIN eli suomalaisten yliopistojen, CSC – Tieteen tietotekniikan keskuksen ja Kotimaisten kielten keskuksen muodostama konsortio auttaa humanististen tieteiden tutkijoita käyttämään, jalostamaan, säilyttämään ja jakamaan tutkimusaineistoja. Aineistoja ja työkaluja tarjoaa Kielipankki.

Kaikki tähän saakka esitellyt Kielipankin käyttäjät löytyvät Kuukauden tutkija -arkistosta. Tämä artikkeli julkaistaan myös Helsingin yliopiston humanistisen tiedekunnan verkkosivuilla.

 

Kuukauden tutkija: Okko Räsänen

Okko Räsänen
Kuva: Jonne Renvall/Tampereen yliopisto

 

Kielipankki koostuu kattavasta joukosta aineistoja sekä niiden tutkimiseen soveltuvista ohjelmistoista tehokkaassa laiteympäristössä. Okko Räsänen kertoo lapsen puheenkehityksen laskennalliseen mallintamiseen liittyvistä tutkimuksistaan.

Kuka olet?

Olen Okko Räsänen, tenure track –professori ja akatemiatutkija Tampereen yliopistossa tietotekniikan yksikössä, jossa johdan Puheen ja kognition tutkimusryhmää. Ennen siirtymistäni Tampereelle työskentelin pitkään Aalto-yliopiston signaalinkäsittelyn ja akustiikan laitoksella, jossa toimin edelleen puheenkäsittelyn dosenttina.

Mikä on tutkimuksesi aihe?

Tutkimukseni päälinja keskittyy lapsen varhaisen kielenoppimisen laskennalliseen mallinnukseen sekä lapsen kuuleman puheen tutkimukseen. Tavoitteena on ymmärtää kielenoppimisen taustalla olevia informaationkäsittelyn periaatteita: mitä kaikkea puhesignaalille täytyy tapahtua ihmisen aivoissa tai miten sitä olisi käsiteltävä tekoälyjärjestelmissä, jotta puheen sisältöä voidaan oppia ymmärtämään? Tutkimme esimerkiksi sitä, minkälaisia kielen rakenteita puheesta ja muusta lapsille tarjolla olevasta aisti-informaatiosta on omaksuttavissa kieliriippumattomalla tavalla, ja toisaalta sitä, mitä oppimismekanismeja ja ennakko-oletuksia malleihin on sisällytettävä, jotta oppiminen voi onnistua. Taustalla on myös kysymys siitä, millaista kielisyötettä ja muuta moniaistista informaatiota lapset ylipäätään kuulevat ja havaitsevat varhaisen kielenkehityksensä aikana, ja missä määrin puheen määrä, laatu ja moniaistisuus tukevat kielen rakenteiden (esim. äänteiden ja sanojen) omaksumista.

Jotta voisimme paremmin ymmärtää lasten kuuleman puheen ominaisuuksia, olemme laskennallisten mallien lisäksi kehittäneet myös käytännön analyysityökaluja suurten lapsikeskeisten ääniaineistojen automaattiseen analyysiin. Kyseiset aineistot koostuvat tyypillisesti päivän mittaisista nauhoituksista, jotka on tallennettu päälle puettavia mikrofoneja käyttäen lasten luonnollisissa ääni- ja kieliympäristöissä. Esimerkiksi äskettäin päättyneessä kansainvälisessä yhteistyöhankkeessa Analyzing Child Language Experiences around the World analysoimme noin 14 000 tunnin edestä lapsikeskeisiä ääniaineistoja, joiden avulla kartoitimme lasten varhaisia kielikokemuksia erilaisissa kieli- ja kulttuuriympäristöissä. Seuraavana tavoitteenamme on jatkojalostaa nämä analyysit julkaisuiksi asti.

Kielenoppimisen laskennallinen tutkimus on monitieteistä ja kiinnostavaa mutta toisaalta haastavaakin työtä. Puhesignaalien kanssa toimiminen ja ihmisen oppimisprosessien mallintaminen vaatii signaalinkäsittelyn ja koneoppimisen menetelmien syvällistä hallintaa. Samalla täytyy kuitenkin ymmärtää fonetiikkaa, varhaista kielenkehitystä ja ihmisen kognition toimintaa, jotta mallit ja menetelmät voidaan sovittaa yhteen kielenkehityksen tutkimuksen ja empiirisen datan kanssa.

Kielenoppimisen tutkimuksen ohella tutkimusryhmäni kehittää erilaisia puheen analyysimenetelmiä, kuten puhujan terveydentilan ja tunnetilojen arviointia puheen perusteella. Ryhmäni on myös mukana kehittämässä vauvojen älyvaatteita aivojen ja motoriikan kehityksen kliinistä arviointia ja seurantaa varten (osana Suomen akatemian Tieteellä terveyteen -tutkimusohjelmaa). Työskentelen monien muidenkin puheteknologian, kognitiotieteen, ja koneoppimiseen pohjautuvan signaalianalytiikan teemojen parissa, sillä usein puheteknologiassa käytetyt signaalinkäsittelyn ja koneoppimisen menetelmät soveltuvat lähes sellaisinaan hyvin monenlaisen aikasarjadatan käsittelyyn.

Miten Kielipankki liittyy tutkimukseesi?

Olen käyttänyt tutkimuksessani Kielipankkiin tulossa olevaa FinDialogue-korpusta ja moni muukin Kielipankin aineisto on minulle ennalta tuttu. Odotan innolla Lahjoita puhetta –kampanjassa kerätyn puheaineiston julkaisua. Mielestäni Kielipankki on myös varteenotettava julkaisukanava mahdollisille uusille aineistoille, joita tutkimuksemme saattaa tulevaisuudessa tuottaa.

Kielipankkiin liittyviä julkaisuja

Khorrami, K. & Räsänen, O. (2021). Can phones, syllables, and words emerge as side-products of cross-situational audiovisual learning? – A computational investigation. Language Development Research, https://doi.org/10.34842/w3vw-s845

Räsänen, O., Seshadri, S., Lavechin, M., Cristia, A., & Casillas, M. (2021). ALICE: An open-source tool for automatic measurement of phoneme, syllable, and word counts from child-centered daylong recordings. Behavior Research Methods, 53,  818–835, https://doi.org/10.3758/s13428-020-01460-x.

Räsänen, O., Doyle, G., & Frank, M. C. (2018). Pre-linguistic segmentation of speech into syllable-like units. Cognition, 171, 130–150, https://doi.org/10.1016/j.cognition.2017.11.003.

Kakouros, S., Salminen, N. & Räsänen, O. (2018). Making predictable unpredictable with style — Behavioral and electrophysiological evidence for the critical role of prosodic expectations in the perception of prominence in speech. Neuropsychologia, 109, 181–199, https://doi.org/10.1016/j.neuropsychologia.2017.12.011.

Räsänen, O., Kakouros, S. & Soderstrom, M. (2018). Is infant-directed speech interesting because it is surprising? — Linking properties of IDS to statistical learning and attention at the prosodic level. Cognition, 178, 193–206, https://doi.org/10.1016/j.cognition.2018.05.015.

Rasilo H. & Räsänen O. (2017). An online model of vowel imitation learning. Speech Communication, 86, 1–23, https://doi.org/10.1016/j.specom.2016.10.010.

Räsänen, O. & Rasilo, H. (2015). A joint model of word segmentation and meaning acquisition through cross-situational learning. Psychological Review, 122(4), 792–829, https://doi.org/10.1037/a0039702.

 

Lisätietoa aineistoista Kielipankissa

 

FIN-CLARIN eli suomalaisten yliopistojen, CSC – Tieteen tietotekniikan keskuksen ja Kotimaisten kielten keskuksen muodostama konsortio auttaa humanististen tieteiden tutkijoita käyttämään, jalostamaan, säilyttämään ja jakamaan tutkimusaineistoja. Aineistoja ja työkaluja tarjoaa Kielipankki.

Kaikki tähän saakka esitellyt Kielipankin käyttäjät löytyvät Kuukauden tutkija -arkistosta. Tämä artikkeli julkaistaan myös Helsingin yliopiston humanistisen tiedekunnan verkkosivuilla.

 

Kuukauden tutkija: Olli Kuparinen

Olli Kuparinen
Kuva: Ilona Lehtonen

 

Kielipankki koostuu kattavasta joukosta aineistoja sekä niiden tutkimiseen soveltuvista ohjelmistoista tehokkaassa laiteympäristössä. Olli Kuparinen kertoo suomen kielen variaatioon ja muutokseen liittyvästä tutkimuksistaan, joissa hän on käyttänyt mm. Helsingin puhekielen pitkittäiskorpusta (1970, 1990, 2010) , Suomen kielen näytteitä -korpusta ja Lauseopin arkiston murrekorpusta.

Kuka olet?

Olen suomen kielen alan tohtori Olli Kuparinen. Väittelin kesäkuussa 2021 Helsingin puhekielen muutoksesta ja muutoksen kuvaamiseen käytetyistä teorioista. Väitöskirjani kirjoitin monitieteisessä Kippo-hankkeessa, jota rahoitti Koneen Säätiö.

Mikä on tutkimuksesi aihe?

Tutkin suomen kielen variaatiota ja muutosta sekä sosiolingvistiikassa hyödynnettyjä teorioita. Tutkimukseni on pitkälti ollut otteeltaan tilastollista.

Väitöstutkimukseni käsitteli Helsingin puhekielen muutosta 1970-luvulta 2010-luvulle. Kolmen aikapisteen reaaliaika-aineisto mahdollisti sekä Helsingin puhekielen konkreettisen muutoksen tarkastelun että erilaisten, yleensä yhden tai kahden aikapisteen aineistojen perusteella luonnosteltujen teorioiden testaamisen kolmessa aikapisteessä. Tutkimus osoitti, että kolmen aikapisteen tarkastelu kyseenalaistaa esimerkiksi William Labovin kehittämien muutosmallien kuvausvoimaa.

Väitöksenjälkeisessä tutkimuksessa tarkastelen suomen murteissa esiintyvää vaihtelua ja vaihtelun kommentointia aikalaistutkimuksissa.

Miten Kielipankki liittyy tutkimukseesi?

Väitöstutkimuksessani tarkastelin Helsingin puhekielen pitkittäiskorpusta (1970, 1990, 2010), joka sisältää syntyperäisten helsinkiläisten haastatteluja 1970-, 1990- ja 2010-luvulta. Kielipankissa on haastattelujen nauhoitteiden lisäksi niihin kohdistettuja litteraatteja. Omassa tutkimuksessani olen hyödyntänyt pääosin aineiston litteroitua osaa.

Jo väitöstutkimuksen aikana olen hyödyntänyt myös Suomen kielen näytteitä -korpusta erilaisten laskennallisten mallien testiaineistona. Aion jatkaa aineiston hyödyntämistä myös väitöksenjälkeisessä tutkimuksessa, jossa tarkastelen suomen murteiden vaihtelua. SKN-korpuksen yleiskielistys mahdollistaa esimerkiksi murrehaastattelujen aihesisällön tarkastelun koneoppimisen menetelmin.

Väitöksenjälkeisessä tutkimuksessa aion hyödyntää SKN-korpuksen täydennyksenä myös Lauseopin arkiston murrekorpusta.

Kielipankkiin liittyviä julkaisuja

Kuparinen, Olli 2018: Infinitiivien variaatio ja muutos Helsingissä. – Virittäjä 122 s. 29 – 52. https://doi.org/10.23982/vir.65310

Kuparinen, Olli 2021: Muutoksen mekanismit. Kolmen aikapisteen reaaliaikatutkimus Helsingin puhekielestä. Tampereen yliopiston väitöskirjat 428. Tampere: Tampereen yliopisto 2021. http://urn.fi/URN:ISBN:978-952-03-1990-8 

Kuparinen, Olli – Mustanoja, Liisa – Peltonen, Jaakko – Santaharju, Jenni – Leino, Unni 2019: Muutosmallit kolmen aikapisteen pitkittäisaineiston valossa. – Sananjalka 61 s. 30–56. https://doi.org/10.30673/sja.80056

Kuparinen, Olli – Peltonen, Jaakko – Mustanoja, Liisa – Leino, Unni – Santaharju, Jenni 2021: Lects in Helsinki Finnish: a probabilistic component modeling approach. – Language Variation and Change. https://doi.org/10.1017/s0954394521000041

Lisätietoa aineistojen uusimmista versioista Kielipankissa

 

FIN-CLARIN eli suomalaisten yliopistojen, CSC – Tieteen tietotekniikan keskuksen ja Kotimaisten kielten keskuksen muodostama konsortio auttaa humanististen tieteiden tutkijoita käyttämään, jalostamaan, säilyttämään ja jakamaan tutkimusaineistoja. Aineistoja ja työkaluja tarjoaa Kielipankki.

Kaikki tähän saakka esitellyt Kielipankin käyttäjät löytyvät Kuukauden tutkija -arkistosta. Tämä artikkeli julkaistaan myös Helsingin yliopiston humanistisen tiedekunnan verkkosivuilla.

 

Kuukauden tutkija: Karita Suomalainen

Karita Suomalainen
Kuva: Heidi Suomalainen

 

Kielipankki koostuu kattavasta joukosta aineistoja sekä niiden tutkimiseen soveltuvista ohjelmistoista tehokkaassa laiteympäristössä. Karita Suomalainen kertoo vuorovaikutustilanteiden kieliopillisiin rakenteisiin ja vihapuheeseen liittyvistä tutkimuksistaan, joissa hän on käyttänyt mm. Suomenkielisten arkikeskustelujen morfosyntaktista tietokantaa (Arkisyn), Lauseopin arkiston murrekorpusta ja Suomi 24 -korpusta.

Kuka olet?

Olen suomen kielen tohtori Karita Suomalainen ja toimin tällä hetkellä Turun yliopistossa yliopisto-opettajana. Väittelin joulukuussa 2020 Turun yliopistosta. Lukuvuodeksi 2021–2022 olen menossa vierailevaksi post doc -tutkijaksi Aarhusin yliopistoon Tanskaan apurahalla, jonka sain Suomalaiselta Tiedeakatemialta Säätiöiden post doc -poolin kautta.

Mikä on tutkimuksesi aihe?

Tutkimuksessani olen erityisen kiinnostunut siitä, millaisia erilaisten vuorovaikutustilanteiden kieliopilliset rakenteet ovat ja kuinka ihmiset käyttävät niitä yhteisymmärryksen rakentamiseen.

Väitöskirjani käsittelee yksikön 2. persoonan erilaisia käyttötapoja suomenkielisissä arkikeskusteluissa. Osoitin, että puhekumppaniin viittaamisen lisäksi yksikön 2. persoonaa voidaan käyttää osana muodoltaan ja käytöltään kiteytyneitä, vuorovaikutusta ohjaavia ilmauksia (esim. tietsä). Sen avulla voidaan myös luoda ns. avoimia, osanottajien kesken jaetuksi oletettuja kokemuksia tai puhua yleistävästi (esim. jos sä nielaset hammastahnaa ni sul menee vatsa sekasin) – tällaista sinä-muodon käyttöä kutsutaan toisinaan myös sä-passiiviksi.

Tuleva post doc -hankkeeni käsittelee suomen persoonaa ilmaisevien verbikonstruktioiden (esim. kato, kuule, arvaa; emmätiä) kieliopillistumiskehitystä puhutussa kielessä. Hankkeen tavoitteena on kuvata ilmiötä suomen kielen osalta ja verrata suomen ilmauksia tanskan kielen vastaaviin tapauksiin. Aiemmin olen tutkinut myös muunlaisia viittaavia ilmauksia ja niiden käyttöä vuorovaikutusaineistoissa, muun muassa puhutun kielen se että -rakennetta Ritva Lauryn ja Anna Vatasen kanssa. Lisäksi olen tutkinut verkon vihapuheen kielellisiä piirteitä yhdessä Simo Määtän ja Ulla Tuomarlan kanssa.

Miten Kielipankki liittyy tutkimukseesi?

Olen käyttänyt kaikissa tutkimuksissani aineistokokoelmia, jotka ovat myös osa Kielipankin aineistoja. Tein väitöskirjani osana Koneen Säätiön rahoittamaa hanketta ”Arkikeskustelujen morfosyntaktinen tietokanta Arkisyn”, jossa rakennettu morfosyntaktisesti koodattu Arkisyn-korpus on saatavilla myös Kielipankissa (Suomenkielisten arkikeskustelujen morfosyntaktinen tietokanta, Helsinki-Korp-versio). Arkisyn on laaja ja melko monipuolinen puhutun kielen aineisto, joka taipuu moneen. Kielipankin Korp-palvelun kautta aineistosta on helppo tehdä hakuja sananmuodon tai tietyn ilmauksen kieliopillisten piirteiden avulla, ja olenkin rakentanut hakuominaisuuden perusteella kätevästi erilaisia aineistokokoelmia tutkimustani varten. Kielipankin puhutun kielen aineistoista käyttänyt myös Lauseopin arkiston murrekorpusta, josta on tietyin reunaehdoin mahdollista tarkastella vanhempaa puhuttua kieltä. Arkiston nauhoitteita voi myös kuunnella suoraan haun yhteydessä, mikä on erittäin hyvä ominaisuus puhutun kielen tutkijan näkökulmasta. On muutenkin hienoa, että puhutun kielen aineistoja on saatavilla helposti Kielipankin kautta, vaikkakin olen huomannut, ettei esimerkiksi kieliopillinen koodaaminen tällaisissa aineistoissa ole aina yksiselitteistä.

Vihapuheeseen liittyvässä tutkimuksessamme Simo Määttä, Ulla Tuomarla ja minä olemme analysoineet erästä Kielipankissa olevaan Suomi24-aineistoon kuuluvaa keskusteluketjua. Aiheesta vuonna 2020 julkaistu tutkimuksemme on laadullinen tapaustutkimus. Vihapuhetta sisältäviä keskusteluketjuja olisi hyvä tarkastella laajemminkin, mutta tutkimuksemme osoitti, että näytteitä vihapuheesta on vaikeaa kerätä kattavasti millään tietyillä leksikaalisilla tai kieliopillisilla hakukriteereillä. Mahdollisen tulevan tutkimuksen kannalta olisi pohdittava, miten laajemman aineiston kerääminen olisi järkevää toteuttaa.

Kielipankkiin liittyviä julkaisuja

Suomalainen, Karita (2020): Kuka sinä on? Tutkimus yksikön 2. persoonan käytöstä ja käytön variaatiosta suomenkielisissä arkikeskusteluissa. Annales Universitatis Turkuensis C 499. Doctoral dissertation. http://urn.fi/URN:ISBN:978-951-29-8238-7

Suomalainen, Karita – Vatanen, Anna – Laury, Ritva (2020): The Finnish se että initiated expressions: NPs or not? In Sandra Thompson & Tsuyoshi Ono (eds.), The ‘Noun Phrase’ across Languages. An emergent unit in interaction, 12–41. Typological Studies in Language 128. Amsterdam: John Benjamins. https://doi.org/10.1075/tsl.128.02suo

Määttä, Simo – Suomalainen, Karita – Tuomarla, Ulla (2020): Maahanmuuttovastaisen ideologian ja ryhmäidentiteetin rakentuminen Suomi24-keskustelussa. Virittäjä 124 (2), 190–216. https://doi.org/10.23982/vir.81931

Lisätietoa aineistojen uusimmista versioista Kielipankissa

 

 

FIN-CLARIN eli suomalaisten yliopistojen, CSC – Tieteen tietotekniikan keskuksen ja Kotimaisten kielten keskuksen muodostama konsortio auttaa humanististen tieteiden tutkijoita käyttämään, jalostamaan, säilyttämään ja jakamaan tutkimusaineistoja. Aineistoja ja työkaluja tarjoaa Kielipankki.

Kaikki tähän saakka esitellyt Kielipankin käyttäjät löytyvät Kuukauden tutkija -arkistosta. Tämä artikkeli julkaistaan myös Helsingin yliopiston humanistisen tiedekunnan verkkosivuilla.

 

Kuukauden tutkija: Mila Oiva

Mila Oiva
Kuva: Mila Oiva

 

Kielipankki koostuu kattavasta joukosta aineistoja sekä niiden tutkimiseen soveltuvista ohjelmistoista tehokkaassa laiteympäristössä. Mila Oiva kertoo kulttuurihistoriaan liittyvästä tutkimuksestaan, jonka myötä on syntynyt myös Yves Montand Neuvostoliitossa -haastatteluaineisto.

Kuka olet?

Nimeni on Mila Oiva. Olen kulttuurihistorioitsija ja työskentelen vanhempana tutkijana CUDAN Open Labissa Tallinnan yliopistossa. CUDAN on Horizon2020 -rahoitteinen kulttuuridata-analytiikan hanke, jossa tutkitaan kulttuurin ilmiöitä yhdistäen laadullista ja määrällistä tutkimusta humanistisilta ja yhteiskuntatieteellisiltä aloilta, verkostotieteestä ja esimerkiksi kompleksisuusteorioista.

Mikä on tutkimuksesi aihe?

Tutkin kuinka tieto ja käsitykset kiertävät eri aikoina ja kuinka käytetyt kommunikaatiovälineet vaikuttavat siihen kuinka tieto liikkuu ja muodostuu. Olen esimerkiksi tutkinut uutisten maailmanlaajuista leviämistä 1800-luvun sanomalehdissä lennättimen ja uutistoimistojen avulla (https://oceanicexchanges.org/) ja populaarien historiakäsitysten kiertoa 2010-luvun venäjänkielisissä verkkokeskusteluissa (https://sites.utu.fi/pseudohistoria/). Lisäksi olen pureutunut aiheeseen tarkastelemalla ranskalais-italialaisen laulaja-näyttelijä Yves Montandin Neuvostoliiton kiertueen (1956-57) rakentumista ja vastaanottoa kylmän sodan ajan Euroopassa. Yhdessä muiden tutkijoiden kanssa tekemissäni tutkimuksissa tulee kiinnostavalla tavalla esiin kuinka käsityksemme rakentuvat yhtä aikaa maailmanlaajuisina ilmiöinä ja paikallisina tulkintoina niistä.

Miten Kielipankki liittyy tutkimukseesi?

Olen julkaisemassa Yves Montand in the USSR. Cultural Diplomacy and Mixed Messages -kirjaamme (Palgrave Macmillan 2021) varten kokoamani haastatteluaineiston Kielipankissa tutkimus- ja opetuskäyttöön. Aineistojen jakaminen on vielä verrattain harvinaista historiantutkijoiden keskuudessa, mutta koen, että aineistosta voisi olla hyötyä laajemmin Neuvostoliiton populaarikulttuurin muistamisen tapoja tutkiville henkilöille. Lisäksi tänä vuonna tulee kuluneeksi sata vuotta Yves Montandin syntymästä, joten tämä aineisto osaltaan juhlistaa sitä!

Kielipankkiin liittyviä julkaisuja

Oiva, Mila, Hannu Salmi, and Bruce Johnson. Yves Montand in the USSR: Cultural Diplomacy and Mixed Messages. Palgrave Macmillan, 2021. https://doi.org/10.1007/978-3-030-69048-9.

Fridlund, Mats, Mila Oiva, and Petri Paju, eds. Digital Readings of History. History Research in the Digital Era. Helsinki: Helsinki University Press, 2020. https://doi.org/10.33134/HUP-5.

Oiva, Mila, Asko Nivala, Hannu Salmi, Otto Latva, Marja Jalava, Jana Keck, Laura Martínez Domínguez, and James Parker. “Spreading News in 1904. The Media Coverage of Nikolay Bobrikov’s Shooting.” Media History 25, no. 3 (August 11, 2019): 1–17. https://doi.org/10.1080/13688804.2019.1652090.

 

 

 

FIN-CLARIN eli suomalaisten yliopistojen, CSC – Tieteen tietotekniikan keskuksen ja Kotimaisten kielten keskuksen muodostama konsortio auttaa humanististen tieteiden tutkijoita käyttämään, jalostamaan, säilyttämään ja jakamaan tutkimusaineistoja. Aineistoja ja työkaluja tarjoaa Kielipankki.

Kaikki tähän saakka esitellyt Kielipankin käyttäjät löytyvät Kuukauden tutkija -arkistosta. Tämä artikkeli julkaistaan myös Helsingin yliopiston humanistisen tiedekunnan verkkosivuilla.

 

Kuukauden tutkija: Gwenaëlle Bauvois

Gwenaëlle Bauvois
Kuva: Gwenaëlle Bauvois

 

Kielipankki koostuu kattavasta joukosta aineistoja sekä niiden tutkimiseen soveltuvista ohjelmistoista tehokkaassa laiteympäristössä. Gwenaëlle Bauvois kertoo Kielipankissa olevaan Eduskunnan täysistuntojen ladattavaan versioon 1 ja muihin media-aineistoihin liittyvästä tutkimuksestaan.

Kuka olet?

Olen tutkija etnisten suhteiden ja nationalismin tutkimuskeskuksessa (CEREN) Helsingin yliopiston Svenska social- och kommunalhögskolanissa (Soc&kom). Olen sosiologian tohtori.

Mikä on tutkimuksesi aihe?

Minua kiinnostavat oikeistopopulismi, vastamedia, uusinformaatio, hybridimedia ja totuudenjälkeisyys. Todellisen kipinän näihin ilmiöihin sain vuonna 2015 Charlie Hebdo -tapahtumien jälkeen, ja siitä saakka olen työskennellyt kyseisten aiheiden parissa.

Niko Pyrhönen; photo: Niko Pyrhönen
Niko Pyrhönen
Tuukka Ylä-Anttila; photo: Ilkka Vuorinen
Tuukka Ylä-Anttila

Vuosina 2016–2019 työskentelimme kollegoideni Niko Pyrhösen ja Tuukka Ylä-Anttilan kanssa tutkimushankkeessa nimeltä Mobilizing ’the Disenfranchised’ in Finland, France and the United states. Post-truth public stories in the transnational hybrid media space. Tutkimme sitä, kuinka vastamedia voi saada liikkeelle sellaisten ihmisten yhteisön, joka on menettämässä luottamuksensa valtamediaan ja kokee, ettei saa ääntään kuuluville. ’Vastamedialla’ tarkoitamme tiettyjen asioiden ajamiseen sitoutunutta mediaa, joka näkee itsensä perinteisen median ja vallitsevan järjestelmän vastavoimana. Hankettamme varten keräsimme aineistoa suomalaisista, ranskalaisista ja yhdysvaltalaisista verkkomedioista.

Julkaisimme joitakin tutkimushankkeemme tuloksia yhteisjulkaisussamme Politicization of migration in the countermedia style: A computational and qualitative analysis of populist discourse (2019). Artikkelissa tarkastelimme sitä, käytetäänkö vastamedian tyyliä myös ’korkean tason politiikassa’ – tässä tapauksessa Suomen eduskunnassa – ja mikäli käytetään, kuinka ja mitkä tahot näin tekevät. Helsingin Sanomiin, MV Lehteen (vuodet 2015-2017) ja Eduskunnan täysistuntoihin (v. 2015-2016)  perustuva laskennallinen ja laadullinen analyysimme osoitti, että vastamedian tyyliin kuuluvia ilmauksia todellakin käytettiin eduskuntakeskustelussa. Kyseisiä tyylikeinoja suosi erityisesti populistinen oikeistopuolue Perussuomalaiset ns. ”pakolaiskriisiä” koskevan väittelyn aikana.

Miten Kielipankki liittyy tutkimukseesi?

Yhtenä tämän tutkimuksen aineistona käytimme Kielipankissa olevaan Eduskunnan täysistuntojen ladattavaan versioon 1 sisältyviä pöytäkirjoja vuosilta 2015-2016. Valitsemamme osa-aineisto sisälsi 183 täysistunnon ja kaikkiaan 6819 puheen transkriptiot, joita analysoitiin sekä laskennallisesti että laadullisesti.

Kielipankkiin liittyviä julkaisuja

Tuukka Ylä-Anttila, Gwenaëlle Bauvois & Niko Pyrhönen (2019). Politicization of migration in the countermedia style: A computational and qualitative analysis of populist discourse. Discourse, Context & Media 32: 1–8. Saatavilla: https://doi.org/10.1016/j.dcm.2019.100326.

 

 

FIN-CLARIN eli suomalaisten yliopistojen, CSC – Tieteen tietotekniikan keskuksen ja Kotimaisten kielten keskuksen muodostama konsortio auttaa humanististen tieteiden tutkijoita käyttämään, jalostamaan, säilyttämään ja jakamaan tutkimusaineistoja. Aineistoja ja työkaluja tarjoaa Kielipankki.

Kaikki tähän saakka esitellyt Kielipankin käyttäjät löytyvät Kuukauden tutkija -arkistosta. Tämä artikkeli julkaistaan myös Helsingin yliopiston humanistisen tiedekunnan verkkosivuilla.

 

Kuukauden tutkija: Heikki Rasilo

Heikki Rasilo, photo: Jessie Dupont
Kuva: Jessie Dupont

 

Kielipankki koostuu kattavasta joukosta aineistoja sekä niiden tutkimiseen soveltuvista ohjelmistoista tehokkaassa laiteympäristössä. Heikki Rasilo kertoo puheentuottoon liittyvästä tutkimustyöstään, jossa hän on hyödyntänyt Kielipankissa olevaa Aalto-yliopiston DSP-kurssin keskustelukorpusta.

Kuka olet?

Olen Heikki Rasilo, postdoc-tutkija Vrije Universiteit Brussel -yliopiston Artificial Intelligence -laboratoriossa Brysselissä, Belgiassa. Valmistuin tekniikan tohtoriksi Aalto-yliopiston ja VUB:n yhteistutkinnolla vuonna 2017. Työskenneltyäni pari vuotta yksityisellä sektorilla sain Ulla Tuomisen säätiöltä Säätiöiden post doc -poolin kautta apurahan tutkimukseni jatkamiseen.

Mikä on tutkimuksesi aihe?

Jatko-opintojeni alusta asti pääasiallinen tutkimusaiheeni on ollut puheen fyysinen tuottaminen ja sen oppiminen. Kuinka ihmislapset oppivat artikuloimaan ja matkimaan esimerkiksi vanhempiensa puhetta omilla hyvin erikokoisilla ja -muotoisilla ääntöväylillään? Aikuisen ja lapsen puheen akustiset ominaisuudet ovat myös hyvin erilaisia, ja heidän tuottamiensa äänteiden suora vertaileminen on hankalaa. Lapset kuitenkin oppivat artikuloimaan äidinkieltään, ja minua kiinnostaa, vaikuttaako artikulaation oppimisprosessi myös puheen kuulemiseen ja ymmärtämiseen. Kenties me ihmiset ymmärrämme puhetta paremmin kuin koneet, koska tunnemme myös sen fyysisen tuottomekanismin, jolla akustinen puhe syntyy.

Tutkin, voisiko puheen artikuloinnin oppimisessa syntyviä akustisia esitysmuotoja käyttää myös hyväksi automaattisessa puheentunnistuksessa. Parhaimpien puheentunnistimien koulutus vaatii nykyään niin paljon äänitettyä puhedataa, ettei ihmislapsi koskaan kuule tällaisia puhemääriä. Puheen ymmärtäminen on siis mahdollista oppia pienemmillä datamäärillä, joten fyysisellä artikulaatiolla voi olla oma osuutensa oppimisessa.

Miten Kielipankki liittyy tutkimukseesi?

Viime vuonna julkaistussa tutkimuksessa koulutin neuroverkon tunnistamaan puheesta samanaikaisesti sekä puheen äänteitä että fyysistä artikulaatiota. Hypoteesina oli, että artikulaation opettelu muokkaisi verkon oppimaa puheen esitystapaa, ja tämä uusi esitystapa voisi vahvistaa myös äänteiden tunnistusta. Tarvitsin kokeeseen sekä äänitettyä puhetta että siihen liittyvän artikulatorisen esitystavan. Kielipankista löytämäni aineisto (Aalto-yliopiston DSP-kurssin keskustelukorpus) sisälsi riittävästi suomenkielistä puhemateriaalia ja sen lisäksi puheen transkription, jonka avulla pystyin tuottamaan koko aineistolle karkeaa syntetisoitua artikulatorista dataa käyttämällä suomenkielistä puhesyntetisaattoria. Kokeen tulokset olivat lupaavia: artikulaation oppiminen muokkasi puheen esitysmuotoa haluttuun suuntaan.

Aiemmassa tutkimuksessani olen käyttänyt myös CAREGIVER-korpusta (saatavilla ELRAn kautta), joka koostuu yksinkertaisista lauseista ja niiden ortografisista transkriptioista. Akatemiatutkija Okko Räsäsen kanssa olemme korpuksen avulla tutkineet algoritmeja, jotka mahdollistavat sana-merkitysparien, sanojen segmentoinnin sekä sanojen akustisten hahmojen oppimista.

Kielipankkiin liittyviä julkaisuja:

Rasilo, H. (2020). Phonemic learning based on articulatory-acoustic speech representations. Teoksessa S. Denison., M. Mack, Y. Xu, & B.C. Armstrong (Eds.), Proceedings of the 42nd Annual Conference of the Cognitive Science Society (pp. 2203–2209). Cognitive Science Society. Saatavilla: https://cogsci.mindmodeling.org/2020/papers/0512/index.html

Rasilo, H. & Räsänen, O. (2017), An online model for vowel imitation learning. Speech Communication, 86, 1-23. Saatavilla: https://doi.org/10.1016/j.specom.2016.10.010

Räsänen, O. & Rasilo, H. (2015), A joint model of word segmentation and meaning acquisition through cross-situational learning. Psychological Review, 122(4), 792–829. Saatavilla: https://psycnet.apa.org/doi/10.1037/a0039702

Rasilo, H. & Räsänen, O. (2015), Weakly-supervised word learning is improved by an active online algorithm. Proceedings of the 16th Annual Conference of the International Speech Communication Association (Interspeech 2015), Dresden, Germany, pp. 1561-1565. Saatavilla: https://www.isca-speech.org/archive/interspeech_2015/i15_1561.html

 

 

FIN-CLARIN eli suomalaisten yliopistojen, CSC – Tieteen tietotekniikan keskuksen ja Kotimaisten kielten keskuksen muodostama konsortio auttaa humanististen tieteiden tutkijoita käyttämään, jalostamaan, säilyttämään ja jakamaan tutkimusaineistoja. Aineistoja ja työkaluja tarjoaa Kielipankki.

Kaikki tähän saakka esitellyt Kielipankin käyttäjät löytyvät Kuukauden tutkija -arkistosta. Tämä artikkeli julkaistaan myös Helsingin yliopiston humanistisen tiedekunnan verkkosivuilla.

 

Kuukauden tutkija: Emmi Lahti

Emmi Lahti, photo: Julius Jaakola
Kuva: Julius Jaakola

 

Kielipankki koostuu kattavasta joukosta aineistoja sekä niiden tutkimiseen soveltuvista ohjelmistoista tehokkaassa laiteympäristössä. Emmi Lahti kertoo retoriikkaan ja diskurssintutkimukseen liittyvästä tutkimustyöstään, jossa hän on hyödyntänyt Kielipankissa olevaa Suomi 24 -korpusta (2016H2).

Kuka olet?

Olen Emmi Lahti, apurahatutkija Helsingin yliopistossa. Väittelin suomen kielestä vuonna 2019. Kiinnostukseni kohteita ovat erityisesti argumentointi ja retoriikka sekä kriittinen diskurssintutkimus. Minua kiehtoo loputtomasti sen pohtiminen, millä kaikilla tavoin kieli osallistuu sosiaalisen todellisuuden rakentamiseen.

Mikä on tutkimuksesi aihe?

Väitöskirjatutkimuksessani analysoin maahanmuuttokeskustelujen retoriikkaa. Aineistona käytin Suomi24:n maahanmuuttoaiheisia keskusteluja vuodelta 2015. Tutkimuksessani tarkastelin erityisesti sitä, miten eri ryhmiä kielellisesti rakennetaan, millaisia argumentteja ja argumentointistrategioita keskusteluissa käytetään sekä miten niissä ilmaistaan eri- ja samanmielisyyttä toisten keskustelijoiden kanssa.

Tutkimuksen tulokset osoittavat erityisesti, miten samanmieliset, maahanmuuttoa vastustavat keskustelijat osoittavat toisilleen solidaarisuutta ja tukea sekä rakentavat yhteistä maailmankuvaa ja yhteistä argumentaatiota.

Miten Kielipankki liittyy tutkimukseesi?

Väitöskirjatutkimuksessani hyödynsin Kielipankin Suomi24-aineistoja. Suomi 24 virkkeet -korpusta (2016H2) voi käyttää Kielipankin Korp-käyttöliittymän kautta ja vastaavan sisällön voi myös ladata itselleen tutkimuskäyttöön Suomi 24 -korpus (2016H2) -nimisestä aineistoversiosta. Tutkimustani varten päädyin valitsemaan ladattavan aineiston, josta poimin 117 keskusteluketjua analyysiani varten.

Kielipankkiin liittyviä julkaisuja:

Lahti, Emmi (2019). Maahanmuuttokeskustelun retoriikkaa. Väitöskirja. Helsinki: Helsingin yliopisto. http://urn.fi/URN:ISBN:978-951-51-5707-2

 

 

 

FIN-CLARIN eli suomalaisten yliopistojen, CSC – Tieteen tietotekniikan keskuksen ja Kotimaisten kielten keskuksen muodostama konsortio auttaa humanististen tieteiden tutkijoita käyttämään, jalostamaan, säilyttämään ja jakamaan tutkimusaineistoja. Aineistoja ja työkaluja tarjoaa Kielipankki.

Kaikki tähän saakka esitellyt Kielipankin käyttäjät löytyvät Kuukauden tutkija -arkistosta. Tämä artikkeli julkaistaan myös Helsingin yliopiston humanistisen tiedekunnan verkkosivuilla.

 

Kuukauden tutkija: Mats Fridlund

Mats Fridlund
Kuva: Mats Fridlund

 

Kielipankki koostuu kattavasta joukosta aineistoja sekä niiden tutkimiseen soveltuvista ohjelmistoista tehokkaassa laiteympäristössä. Professori Mats Fridlund kertoo digitaaliseen historiaan liittyvästä tutkimustyöstään, jonka tukena ovat työkalut ja aineistot sekä suomalaisessa Kielipankissa että Ruotsin Språkbankenissa.

Kuka olet?

Olen Göteborgin yliopiston aate- ja oppihistorian (idé- och lärdomshistoria) apulaisprofessori ja digitaalisten ihmistieteiden keskuksen varajohtaja. Koulutukseltani olen teknillisen fysiikan diplomi-insinööri ja teknologian historian tohtori Tukholman KTH:sta. Vuosina 2013-2018 työskentelin Aalto-yliopistossa Suomessa teollistumisen historian apulaisprofessorina.

Mikä on tutkimuksesi aihe?

Tieteen, teknologian ja innovaatioiden historian tutkijana ja kehkeytyvänä digitaalisena historioitsijana mielenkiintoni kohdistuu infrastruktuurien historiaan ja teknologian poliittiseen historiaan.

Aloitin infrastruktuurien historian tutkimukseni tarkastelemalla käyttäjien roolia sähköenergia- ja televiestintäjärjestelmien kehityksessä, mutta parin viime vuoden kuluessa olen laajentanut tutkimiskohteitani digitaalisiin infrastruktuureihin. Tutkin erityisesti sitä, kuinka akateemiset käyttäjät, mm. historian tutkijat, ovat muuttaneet ammatillisia käytänteitään voidakseen hyödyntää esimerkiksi sellaisia uusia digitaalisia infrastruktuureja joita Kielipankin kautta tarjotaan. Tähän liittyy myös viimeaikainen kiinnostukseni digitaalisia ihmistieteitä kohtaan.

Vuodesta 2012 alkaen olen ollut mukana useissa suomalaisissa ja ruotsalaisissa hankkeissa, joissa on kehitetty digitaalisia ihmistieteitä ja eritoten digitaalista historiaa. Olen ollut vastuullisena tutkijana kahdessa Koneen Säätiön rahoittamassa hankkeessa, joissa on kehitetty ja vahvistettu suomalaista digitaalista historiaa (ks. Paju et al. 2020). Vuodesta 2019 olen toiminut Göteborgin yliopiston ihmistieteiden keskuksen varajohtajana ja sitä kautta minulle tarjoutuu tilaisuuksia kehittää yhdessä kieliteknologien ja insinöörien kanssa uusia digitaalisia infrastruktuureja humanisteille, yhteiskuntatieteilijöille ja laajemmallekin yleisölle.

Tämänhetkinen poliittisen teknologiahistorian tutkimukseni keskittyy terrorismin globaaliin teknologiahistoriaan myöhäisestä 1700-luvusta aina nykypäivään saakka. Johdan kahta terrorismin historiaan liittyvää tutkimushanketta: Things for living with terror: a global history of the materialities of urban terror and security, jota rahoittaa Ruotsissa Riksbankens Jubileumsfond, sekä laajaa hanketta nimeltä Terrorism in Swedish politics (SweTerror): A multimodal study of the configuration of terrorism in parliamentary debates, legislation and policy networks in Sweden 1968–2018. Jälkimmäinen on osa Ruotsin hallituksen käynnistämää digitaalisten ihmistieteiden DIGARV-tutkimusohjelmaa ja sitä rahoittavat Vetenskapsrådet, Riksbankens Jubileumsfond sekä Kungliga Vitterhets Historie och Antikvitets Akademien. SweTerror-hankkeessa tuomme saataville Ruotsin valtiopäivien poliittisia keskusteluja digitaalisina teksti- ja ääniaineistoina yhteistyössä Ruotsin Språkbankenin kanssa.

Miten Kielipankki liittyy tutkimukseesi?

Osana terrorismin historian tutkimustani käytän erilaisia laajoja digitaalisia tekstikorpuksia. Analysoin niistä mediadiskursseja ja pyrin jäljittämään terrorismin ilmaantumista poliittisena ja kulttuurisena ilmiönä. Olen tällä hetkellä mukana mm. yhteisprojektissa Ruotsin kansallisen kielipankin (Språkbanken) kieliteknologien kanssa Swe-Clarinin tuella. Analysoimme ruotsinkielisiä historiallisia sanomalehtikorpuksia, joita on tarjolla kahden kansallisen CLARIN B-keskuksen, Ruotsin Språkbankenin ja suomalaisen Kielipankin kautta. Aineistojen avulla pyrimme määrittämään, kuinka moderni terrorismin käsite syntyi 1700-luvulta alkaen.  Tämä tutkimus on osa Swe-Clarinin hanketta, jonka tavoitteena on edistää aitoa tieteidenvälistä yhteistyötä humanististen tieteiden ja kieliteknologian välillä ja hyödyntämällä sähköisiä tutkimustyökaluja laajamittaisiin korpustutkimuksiin. Projektissa siis yhdistetään historian alan tietämystä ja kieliteknologian asiantuntemusta, jolloin aiempia ruotsalaisessa ja suomalaisessa kontekstissa esiintyvän terrorismin historiallisiin merkityksiin liittyviä tieteellisiä väitteitä voidaan arvioida ja laajentaa.

Ensisijaisesti haluamme testata hypoteesia, jonka mukaan valtioiden sisäisen terrorismin käsite ei ollut vielä 1800-luvulla vakiintunut nykymerkitykseensä vaan rajoittui lähinnä venäläiseen terrorismiin. Soveltamalla valtioiden rajat ylittävää vertailevaa lähestymistapaa voimme tarkastella terrorismiin liittyviä päällekkäisiä kansallisia diskursseja. Sekä Ruotsin Språkbankeniin että Suomen Kielipankkiin asennetulla Korp-työkalulla olemme pystyneet tehokkaasti tutkimaan terrorismiin liittyviä sanoja ja niiden historiallisia konteksteja. Näin olemme paljastaneet monimutkaisemman kuvan terrorismin historiasta Pohjoismaissa ja erityisesti suurvaltojen sisäisten etnisten osien terrorismin muodoista, joita ovat suomalainen terrorismi Venäjän alaisuudessa, makedonialainen terrorismi ottomaanien alaisuudessa ja intialainen terrorismi brittiläisen imperiumin alaisuudessa. Suomalaisten historian tutkijoiden ja kieliteknologien kanssa olemme suunnitelleet laajentavamme analyysia suomalaisen kontekstin osalta tutkimalla vastaavia suomenkielisiä sanomalehtiä, jotka löytyvät Kielipankista. Lisäksi voimme kehittää rajat ylittävän vertailevan tutkimuksen konkreettisia toteutustapoja hyödyntämällä Swe-Clarinin ja FIN-CLARINin laajaa korpusvalikoimaa. Humanisteille ja kieliteknologeille tarjoutuu hienoja mahdollisuuksia tehdä monitieteistä, vertailevaa big data -tutkimusta verkossa saatavilla olevien kansallisten sanomalehtiaineistojen avulla.

Tarjoamiensa työkalujen lisäksi Kielipankki on ollut muutenkin tärkeä pyrkiessäni edistämään digitaalisten ihmistieteiden tutkimusta Suomessa. Vuonna 2018 järjestin roadshow’n Oulun, Jyväskylän, Itä-Suomen, Turun, Tampereen ja Helsingin yliopistoissa osana Koneen Säätiön rahoittamaa hanketta ”From Roadmap to Roadshow: A collective demonstration & information project to strengthen Finnish digital history”. Jokaisessa kuudessa yliopistossa järjestimme yksipäiväisen digitaalisen historian menetelmätyöpajan, joka koostui luennoista ja työpajasessioista kokeneiden suomalaisten, ruotsalaisten ja yhdysvaltalaisten digitaalisen historian, kieliteknologian ja informaatioteknologian asiantuntijoiden vetäminä. Heidän joukossaan oli myös Kielipankin sovellusasiantuntija Tero Aalto, joka piti kiinnostavan esityksen digitaalisista kielentutkimusmenetelmistä. Luentojen synnyttämä valtaisa innostus suomalaisten historian tutkijoiden keskuudessa johtikin hankkeen ennakoimattomaan laajenemiseen ja jatkoon. Toukokuussa 2018 minä ja kaksi jatko-opiskelijaani, Mila Oiva ja Petri Paju, järjestimme työpajan, jossa digitaalisista ihmistieteistä kiinnostuneet historioitsijat, kieliteknologit ja informaatioteknologian asiantuntijat kohtasivat yhteisten tutkimushankkeiden merkeissä. Joulukuussa 2020 useat näistä hankeideoista päätyivät vertaisarvioituina artikkeleina yhteen Helsinki University Press -tiedekustantamon ensimmäisistä Open Access -kirjoista, Digital Histories: Emergent Approaches in the New Digital History, jonka toimitin yhdessä Mila Oivan ja Petri Pajun kanssa.

Kielipankkiin liittyviä julkaisuja:

Mats Fridlund, Leif-Jöran Olsson, Daniel Brodén & Lars Borin, 2019 ”Trawling for Terrorists: A Big Data Analysis of Conceptual Meanings and Contexts in Swedish Newspapers, 1780–1926,” in Melvin Wevers, Mohammed Hasanuzzaman, Gaël Dias, Marten Düring, & Adam Jatowt, eds. Proceedings of the 5th International Workshop on Computational History (HistoInformatics 2019) co-located with the 23rd International Conference on Theory and Practice of Digital Libraries (TPDL 2019) Oslo, Norway, September 12th, 2019, CEUR-WS  vol. 2461 (Aachen: CEUR-WS.org, 2019), 1-10, http://ceur-ws.org/Vol-2461/paper_5.pdf.

Mats Fridlund, Leif-Jöran Olsson, Daniel Brodén & Lars Borin, 2020 ”Trawling the Gulf of Bothnia of News: A Big Data Analysis of the Emergence of Terrorism in Swedish and Finnish Newspapers, 1780–1926”, in Costanza Navarretta & Maria Eskevich, eds. Proceedings of CLARIN Annual Conference 2020 (Virtual edition: CLARIN, 2020), 61-65. https://office.clarin.eu/v/CE-2020-1738-CLARIN2020_ConferenceProceedings.pdf

Mats Fridlund, Mila Oiva, & Petri Paju, eds., 2020 Digital Histories: Emergent Approaches within the New Digital History (Helsinki: Helsinki University Press, 2020), 3-18. https://doi.org/10.33134/HUP-5

Mats Fridlund, 2020 “Digital History 1.5: A Middle Way between Normal and Paradigmatic Digital Historical Research”, in Mats Fridlund, Mila Oiva, & Petri Paju, eds., Digital Histories: Emergent Approaches within the New Digital History (Helsinki: Helsinki University Press, 2020), 69-87. https://doi.org/10.33134/HUP-5

Paju, Petri & Mila Oiva. ”Digitaalisen historiantutkimuksen opetuskiertue”, Historiallinen Aikakauskirja 1/ 2019, pp 89-94.

Petri Paju, Mila Oiva & Mats Fridlund, 2020 “Digital and Distant Histories: Emergent Approaches within the New Digital History”, in Mats Fridlund, Mila Oiva, & Petri Paju, eds., Digital Histories: Emergent Approaches within the New Digital History (Helsinki: Helsinki University Press, 2020), 3-18. https://doi.org/10.33134/HUP-5

 

 

 

FIN-CLARIN eli suomalaisten yliopistojen, CSC – Tieteen tietotekniikan keskuksen ja Kotimaisten kielten keskuksen muodostama konsortio auttaa humanististen tieteiden tutkijoita käyttämään, jalostamaan, säilyttämään ja jakamaan tutkimusaineistoja. Aineistoja ja työkaluja tarjoaa Kielipankki.

Kaikki tähän saakka esitellyt Kielipankin käyttäjät löytyvät Kuukauden tutkija -arkistosta. Tämä artikkeli julkaistaan myös Helsingin yliopiston humanistisen tiedekunnan verkkosivuilla.