Kapittel 8: Ein statistikkdiskusjon med utgangspunkt i normavvik i studenttekstar

Abstract

SAMANDRAG Vi diskuterer nokre grunnleggande tilnaermingar til eit datasett om normavvik («rettskrivingsfeil») i studenttekstar. Vi innfører modellar for å analysere tekstane, og vi ser på kva for type spørsmål datasettet kan svare på og kva det ikkje kan svare på. Då er det viktig å klargjere føresetnadane. Vi diskuterer òg forskjellen mellom å analysere eit datasett med tanke på å «bevise» samanhengar statistisk, og det å bruke datasettet for å fremje hypotesar. Statistiske metodar kan brukast i begge tilfella. Analysane her kan sjåast på som ei vurdering av kvaliteten i datasettet for ytterlegare analysar. NØKKELORD utforskande statistikk, normavvik i nynorsktekstar, modellar for teljedataABSTRACT We have a dataset about misspellings in Norwegian texts written by students. We introduce statistical models to analyze the dataset, and we discuss what questions can possibly be answered by the dataset. Moreover, we clearly point out the assumptions necessary for drawing conclusions. We also discuss different approaches to a dataset, like exploratory and confirmatory approaches. The analysis in this paper can be viewed as an evaluation of the quality of the data for further analysis.

Kan førekomsten av nokre spesielle feiltypar predikere den samla førekomsten av rettskrivnings- og bøyningsavvik i nynorsktekstar? Ein statistisk analyse

“…Datasettet består av talet på normavvik i studenttekstar på nynorsk skrivne av studentar ved Høgskulen i Sogn og Fjordane. Registreringsarbeidet er gjort av Jan Olav Fretland i 2007 og er utgangspunktet for fleire artiklar (Fretland, 2007(Fretland, , 2011(Fretland, , 2015Myklebust & Fretland, 2017). Feiltypane er delt inn i atten ulike kategoriar.…”

“…Vi modellerer talet på førekomstar av dei ulike feiltypane med ei såkalla negativ binomialfordeling (Hilbe, 2011). Det vil seie at vi modellerer førekomstane av dei ulike feiltypane som ein prosess som er utsett for tilfeldigheiter, i den forstand at tal feil som ein tekstforfattar gjer i dei ulike kategoriane, vil variere frå tekst til tekst (sjå Myklebust & Fretland, 2017). At det varierer, kan ha ulike grunnar, som til dømes dagsform, «slurve feil» og ikkje minst at ulike tekstar har ulike ord.…”

“…der E(T -k ) står for forventa tal feil av variabelen T -k , og der kategorivariabelen gruppe tar verdiane Makro, Mikro, Pedagogikk eller Førskule. Vi arbeider her utforskande, (Myklebust & Fretland, 2017;Tukey, 1977Tukey, , 1980. Dette gjeld spesielt siste del av artikkelen der vi ser etter fleire enn éin predikator.…”

“…Vidare har kvar tekst si eiga Poisson-fordeling, det vil seie at det forventa talet på feil varierer frå tekst til tekst. Under visse føresetningar kan vi då modellere talet på feil i ein tilfeldig vald tekst med ei negativ binomialfordeling (Myklebust & Fretland, 2017). Her inngår den såkalla dispersjonsparameteren som kan tolkast som eit mål på kor ulik feilsjanse dei ulike tekstane har, eller meir korrekt som eit mål for kor mykje det forventa talet på feil varierer mellom dei ulike tekstane.…”