Mittausmenetelmä

Elävä sanasto on järjestelmä, jota Sanamahti-sanapeliin suunnitellaan. Sen on tarkoitus päivittää pelin sanasto kerran viikossa ja mitata, kuinka moni pelaaja tuntee kunkin sanan. Tällä sivulla kerrotaan suunnitelma: mitä pelistä kerätään, miten sanaehdokkaat seulotaan, millä näytöllä päätökset tehdään ja miten tunnettuus mitataan.

Tilanne 22.10.2026. Sivu kuvaa suunnitelmaa. Ensimmäinen painos on käytössä: se perustuu Kotuksen Nykysuomen sanalistaan, ja ryhmäpeli ja päivän haaste ratkaisevat laudan sanat siitä. Viikkoajo, seula, tapaukset ja tunnettuusmittaus eivät ole vielä käytössä, eikä mikään alla kuvatusta ole käytössä pelissä, ellei toisin sanota. Sanaraati on arviointisivu, jolle pääsee vain kutsulinkillä. Ensimmäiset kokeet on tehty. Luvut ovat suunnitteluarvoja, ja niitä kalibroidaan kokeilla ennen käyttöönottoa.

Mitä pyyhkäisy on

Pelaaja muodostaa sanan pyyhkäisemällä ruudukon vierekkäisiä kirjaimia. Jos merkkijono on laudan sanalistassa, pelaaja saa pisteet. Muuten pyyhkäisy hylätään. Näin peli toimii jo nyt.

Pelin selainversiossa on käytössä myös aiempi kokeilu, Sanapulssi. Se laskee, kuinka monta kertaa kutakin hylättyä merkkijonoa on pyyhkäisty. Laskurissa ei ole tietoa pelaajasta, laudasta eikä pelimuodosta. Luvut ovat suuntaa-antavia eivätkä kelpaa tutkimusaineistoksi. Elävä sanasto tulee kokeilun tilalle, ja kokeilun keräämät merkkijonot on tarkoitus siirtää uuden järjestelmän lähtöaineistoksi.

Suunnitelmassa hylätty merkkijono tallennetaan pintamuotona. Siitä kirjataan itse merkkijono, pyyhkäisyjen määrä ja arvio siitä, kuinka moni eri pelaaja sen on pyyhkäissyt. Sama merkkijono lasketaan pelaajalta kierroksessa vain kerran. Kierroksen lopussa pelaaja näkee hylätyt pyyhkäisynsä selityksineen ja voi ehdottaa niitä sanoiksi yhdellä napautuksella.

Pyyhkäisy on vihje. Se ei ole ääni sanan puolesta. Pelaaja voi kokeilla merkkijonoja umpimähkään, ja kierroksessa on aikaraja. Siksi mikään pelaajien tuottama luku ei yksin muuta sanan asemaa. Pyyhkäisyt ja ehdotukset voivat avata tapauksen, mutta päätökseen tarvitaan näyttöä pelin ulkopuolelta.

Ruudukko myös rajaa sitä, mitä voi pyyhkäistä. Satunnaislaudoilla tehdyssä simulaatiossa tietty kuusikirjaiminen sana oli muodostettavissa noin yhdellä 4×4-laudalla 850:stä ja kahdeksankirjaiminen noin yhdellä 21 000:sta. Pyyhkäisyt eivät siis ole otos sanastosta, eikä uusia sanoja juuri löydy ruudukosta sattumalta. Siksi uusien sanojen on tarkoitus tulla pelaajien ehdotuksista ja ulkoisesta näytöstä.

Morfologinen seula ennen kielimallia

Suunnitelmassa jokainen uusi pintamuoto ajetaan ensin sääntöpohjaisen morfologisen jäsentimen läpi. Jäsentimiä on kaksi, Voikko ja Omorfi. Seula sijoittaa pintamuodon yhteen viidestä luokasta:

• hakusana, joka on jo sanastossa
• taivutusmuoto, jonka perusmuoto tunnetaan
• johdos
• yhdyssana, jonka osat tunnetaan
• tuntematon.

Vain tuntemattomat sekä pelaajien ehdottamat ja haastamat sanat jatkavat seulasta eteenpäin. Kielimalli näkee siis vain jäännöksen.

Järjestys on tarkoituksellinen. Taustaselvityksen mukaan sääntöpohjainen jäsennin tunnistaa suomen taivutusmuodot luotettavasti, kun taas kielimallit päästivät mittauksissa virheellisiä muotoja läpi. Jäsentimen tulos on myös sama joka kerta. Oletus testataan kokeella ennen käyttöönottoa.

Suunnitelmassa ratkaisee sanaston hakusana. Hakusanaksi vakiintunut muoto kelpaa pelissä: esimerkiksi monikkosana sakset on Kotuksen sanalistassa hakusana. Samoin adverbi kotona on sanalistassa hakusana, ja 12.10.2026 päätettiin, että sanalistan adverbit, post- ja prepositiot, pronominit, konjunktiot ja lukusanat tulevat pelattaviksi ensimmäisestä painoksesta alkaen. Muut taivutusmuodot hylätään, ja seulan tulos kertoo pelaajalle kierroksen lopussa, mistä sanasta muoto on taivutettu. Interjektiot ja pieni joukko muita hakusanoja, kuten sanaluokattomat kiteymät ja osa musiikkitermeistä, ovat sanakirjassa, mutta eivät toistaiseksi kelpaa pelissä.

Tapaus ja näyttö

Suunnitelmassa tuntemattomasta pintamuodosta avataan tapaus, kun siinä on vähintään neljä kirjainta ja sen on pyyhkäissyt vähintään viisi eri pelaajaa, tai kun joku on ehdottanut sitä sanaksi. Tapaus avataan myös sanasta, joka muuttuu Kotuksen sanalistan päivityksessä, päätöksestä, jonka pelaaja haastaa, ja koeajalla olevasta sanasta, kun sen koeaika päättyy.

Jokaiselle tapaukselle haetaan näyttöä neljästä lähteestä:

• Kotuksen Nykysuomen sanalista: onko sana listassa sekä sen sanaluokka ja taivutus.
• Ylen uutisarkisto Kielipankissa: lemman eli perusmuodon esiintymät vuosittain ja muutama tekstikatkelma.
• Wikimedia: Wikisanakirjan artikkelin luontipäivä ja sitaatit sekä osumat Wikipediassa ja Wikidatassa.
• Verkkohaku: lähde, päiväys ja katkelma.

Näytön käytölle on kolme sääntöä:

1. Ratkaisevaa on vain päivätty näyttö, joka on vanhempi kuin tapaus. Tapauksen avaamisen jälkeen kirjoitettu teksti ei voi ratkaista sitä.
2. Sanamahdin oma sivusto, tekoälyn tuottamat sanakirjat ja pelaajien muokattavissa olevat lähteet eivät ole riippumatonta näyttöä.
3. Verkkohaku on aina tukevaa näyttöä. Se ei koskaan riitä yksin.

Haetusta näytöstä tallennetaan lähde, hakuaika, lähteen oma päiväys, osumien määrä ja lyhyt katkelma.

Kielipankin aineiston käyttöehdot tarkistetaan ennen käyttöönottoa. Kielipankin tietojen mukaan uutisarkiston versiot, joissa virkkeiden järjestys on sekoitettu, on julkaistu vuosilta 2011–2024 CC BY 4.0 -lisenssillä. Alkuperäisessä virkejärjestyksessä olevat versiot on lisensoitu akateemiseen, ei-kaupalliseen käyttöön. Suunnitelma käyttää sekoitettuja versioita Korp-rajapinnan kautta. Auki on vielä, sallivatko rajapinnan käyttöehdot automaattisen käytön ja missä muodossa lähde mainitaan.

Päätös

Suunnitelmassa kielimalli saa tapauksen näytön, seulan tuloksen, säännöstön ja sanan tunnettuusluvut. Se palauttaa rakenteisen päätöksen: sana koeajalle, alennus, hylkäys, muutos tai pidättäytyminen. Mukana ovat perustelu ja viittaukset säännöstön kohtiin.

Päätös varmistetaan kolmella tavalla:

• Erillinen tarkistaja yrittää kumota päätöksen. Jos tarkistaja on eri mieltä, tulos on pidättäytyminen.
• Säännöstöön kuuluu koneellisesti ajettavia testejä. Ne ajetaan jokaiselle päätökselle, ja testin hylkäämä päätös muuttuu pidättäytymiseksi.
• Jokaiseen ajoon sekoitetaan vale-ehdokkaita: tekosanoja, taivutusmuotoja ja nimiä. Jos yksikin niistä hyväksytään, ajo ei ehdota mitään julkaistavaksi.

Säännöstö on enintään sivun mittainen teksti. Se johdetaan Sanaraadin arvioista: kutsutut arvioijat vastaavat sanakortti kerrallaan, kelpaako sana pelisanaksi. Tekoäly ei muuta sääntöjään eikä kynnysarvojaan.

Viisi sääntöä on kiinteitä, eikä raadin tulos kumoa niitä:

• pelissä kelpaavat vain hakusanat
• erisnimet eivät kelpaa
• ihmisryhmiä halventavat sanat eivät kelpaa pelissä
• verkkohaku ei riitä yksin
• sanan voi alentaa vain näytön perusteella.

Arkikielen sanat, slangi, lyhenteet ja kirosanat sen sijaan voivat kelvata.

Jokaiseen päätökseen kirjataan mallin tunniste, kehotteen versio, säännöstön versio ja näytön tiivisteet, jotta päätöksen voi jäljittää. Kielimallikutsut on päätetty tehdä DeepSeekin rajapinnalla. Mallia ei ole vielä valittu.

Ennen kuin järjestelmä saa muuttaa sanastoa, se ajetaan vähintään neljä kertaa varjona: päätökset kirjataan, mutta mikään ei muutu. Suunnitteilla on myös aikakonetesti, jota ei ole vielä ajettu eikä liitetty julkaisuoikeuden ehtoihin. Siinä järjestelmä saisi vanhemman sanalistan ja vain tiettyä päivää edeltävän näytön, ja tuloksesta nähtäisiin, tunnistaako se sanat, jotka Kotus on sen jälkeen lisännyt sanakirjaan.

Alex Liao ei tee sanakohtaisia päätöksiä. Hän hyväksyy säännöstön, saa jokaisesta ajosta raportin ja voi pysäyttää julkaisun. Järjestelmä palaa varjotilaan itsestään, jos kolme raporttia on kuittaamatta, ajo kaatuu, malli vaihtuu, vale-ehdokas pääsee läpi tai ajon kustannuskatto ylittyy.

Viikkopainos

Suunnitelmassa sanasto muuttuu vain kerran viikossa. Viikkoajon päätökset julkaistaan ensin ehdotuksina, ja pelaajat voivat haastaa ne seitsemän vuorokauden ajan. Haastettu päätös siirtyy seuraavaan ajoon. Muut astuvat voimaan seuraavana maanantaina numeroituna painoksena.

Painoksesta tallennetaan muutokset (lisätyt, alennetut, muutetut ja hylätyt sanat), pelattavien sanojen määrä ja sanajoukon tiiviste. Pelitulokseen kirjataan painoksen numero, joten tuloksen voi myöhemmin sitoa siihen sanastoon, jolla se pelattiin.

Sanalla on elinkaaren tila: ehdokas, koeajalla, vakiintunut, harvinainen tai hylätty. Lisäksi siitä tiedetään kolme toisistaan riippumatonta asiaa: onko se sanakirjassa, kelpaako se pelissä ja onko se esillä laudoilla. Sanoja ei poisteta. Sana voidaan alentaa harvinaiseksi, mutta sen artikkeli, historia ja perustelut säilyvät.

Tunnettuusnauha

Tunnettuus on tarkoitus mitata erillään pyyhkäisyistä. Pelaaja saa kymmenen sanan nauhan ja kertoo jokaisesta, tunteeko hän sanan vai ei. Kolme kymmenestä on tekosanoja: merkkijonoja, jotka näyttävät sanoilta mutta eivät ole sanoja. Tekosanojen muodostustapaa ei ole vielä lukittu.

Pelaaja, joka sanoo tuntevansa tekosanan, vastaa todennäköisesti liian herkästi kyllä myös oikeiden sanojen kohdalla. Siksi vastaukset painotetaan sen mukaan, miten pelaaja on vastannut tekosanoihin, ja sanalle lasketaan arvauskorjattu tunnettuus.

Sanasta tallennetaan tunnen- ja en tunne -vastausten määrät, tekosanavastausten määrät ja korjattu osuus. Korjauskaavaa ei ole vielä lukittu. Se kirjataan tälle sivulle ennen kuin yhtään lukua julkaistaan.

Viikkoajo valitsee nauhaan sanat, joiden asemasta toimitus on epävarmin. Nauhan sanat eivät siis ole satunnaisotos sanastosta. Vastaamisesta saa pelin kolikoita. Sanan alentamiseen vaaditaan vähintään 200 arviota kyseisestä sanasta.

Tutkimuskirjallisuudessa lähin vastine on word prevalence: niiden vastaajien osuus, jotka tunnistavat sanan sanaksi, kun oikeiden sanojen joukossa on tekosanoja.

Tunnetut vinoumat

• Pelaajat eivät ole otos suomenkielisistä. Pelaajakunnan koostumusta ei ole mitattu. Pelaajat ovat valikoituneet itse, ja päivän haasteen korkeakoulu- ja ainejärjestölistojen vuoksi opiskelijoita on mukana todennäköisesti enemmän kuin väestössä. Havaintoihin ei liitetä taustatietoja, kuten ikää, asuinpaikkaa tai äidinkieltä, joten tuloksia ei voi painottaa väestöä vastaaviksi.
• Tunnen-vastaus on itsearvio. Vastaus kertoo, että pelaaja tunnistaa kirjoitetun sanan ilman lauseyhteyttä. Se ei kerro, osaako hän selittää sanan tai käyttääkö hän sitä.
• Nauhan sanat valitaan epävarmuuden mukaan. Kattavuus on epätasainen: osasta sanoista kertyy paljon arvioita ja osasta ei yhtään.
• Palkkio voi houkutella vastaamaan nopeasti. Tekosanojen on tarkoitus paljastaa huolimaton vastaaminen, mutta yhden nauhan kolme tekosanaa on pieni kontrolli. Pelaajan luotettavuudesta saadaan tarkempi arvio vasta usean nauhan jälkeen.
• Lauta ohjaa pyyhkäisyä. Pelaaja voi pyyhkäistä vain sen, minkä laudan kirjaimet sallivat, ja pitkät sanat ovat laudoilla harvinaisia.
• Pelin sääntö ohjaa yrityksiä. Peli hyväksyy vain perusmuodot. Säännön tunteva pelaaja yrittää taivutusmuotoja luultavasti harvemmin, joten yritysten määrä riippuu myös pelaajan kokemuksesta.
• Säännöt rajaavat aineistoa. Erisnimet ja ihmisryhmiä halventavat sanat eivät kelpaa pelissä. Hakusanassa on vain kirjaimia, joten sanaliitot ja yhdysmerkilliset sanat jäävät sanaston ulkopuolelle.
• Merkitykset kirjoittaa tekoäly. Sanan merkitys ja esimerkki ovat tekoälyn kirjoittamia, ja ne merkitään sellaisiksi. Ne eivät ole sanakirjamääritelmiä. Kielitoimiston sanakirjan määritelmiä ei kopioida eikä mukailla.

Mitä ei kerätä

• Havaintoihin ei liitetä nimeä, sähköpostiosoitetta eikä muuta suoraa tunnistetta. Pelaajan jälki tallennetaan pseudonyymillä avaimella, joka lasketaan palvelimella.
• Tekoäly ei näe pelaajan avainta.
• Kun pelaaja poistaa tilinsä, hänen jälkensä anonymisoidaan automaattisesti. Yhteenlasketut luvut ja päätökset säilyvät.
• Pelaajan kirjoittamaa vapaata tekstiä ei anneta päättävälle mallille sellaisenaan.
• Esimerkkilauseita ei oteta tunnistettavien ihmisten viesteistä.
• Julkaistavassa aineistossa ei ole pelaajatunnisteita. Sanan löytäjän nimi näkyy vain, jos hän on antanut siihen suostumuksen.

Tämä sivusto ei käytä evästeitä. Tietosuojaseloste on tietosuojasivulla.

Mikä on vielä auki

• kielimalli
• aikakonetestin toteutus ja läpäisyraja
• arvauskorjauksen kaava ja tekosanojen muodostustapa
• Kielipankin aineiston käyttöehdot automaattisessa käytössä
• avoimen aineiston lisenssi ja ensimmäisen julkaisun sisältö.

Jos näet menetelmässä virheen tai paremman tavan, kerro siitä yhteydenottolomakkeella. Aineistosuunnitelma on aineistosivulla.