Suomen kielen metaforien ja vertausten kääntäminen viron, latvian ja liettuan kielille
Notice bibliographique
Résumé
Pro gradu -tutkielma tutkii, miten suomenkieliset metaforat ja vertaukset on käännetty viron, latvian ja liettuan kielille. Tutkielman ala on käännöstutkimus, tarkemmin metaforien kääntäminen. Suomalais-ugrilaisen ja indoeurooppalaisen kieliperheen välillä on myös merkittäviä eroja, mikä tekee kielten vertailusta mielenkiintoista ja haastavaa. Kieliperheiden välisistä eroista johtuen oletuksena onkin, että suomesta latvian ja liettuan kielille käännettäessä kääntäjä joutuu tekemään enemmän muutoksia kuin suomesta viroksi käännettäessä. Oletuksena on myös, että viron kielen metaforat ovat lähempänä suomen kielen metaforia kuin latvian tai liettuan kielen metaforat. Tutkimus perustuu Sofi Oksasen romaanin Puhdistus (2008) sekä sen vironkielisen käännöksen Puhastus (2009), latviankielisen käännöksen Attīrīšanās (2011) ja liettuankielisen käännöksen Valymas (2010) analysointiin. Tutkimusaineistoksi on valittu 120 metaforaa tai vertausta lähtökielisen kirjan sivuilta 5–375 sekä kohdekielisten kirjojen sivuilta 3–318. Aineisto sisältää myös 42 kandidaatin-tutkielmassa analysoimaani metaforaa tai vertausta. Löytyneiden metaforien ja vertausten alkuperäistä muotoa verrataan viron-, latvian- ja liettuankielisiin käännöksiin osoittaen niin sanastollisia kuin kieliopillisia eroavaisuuksia. Esimerkkikohdat jaetaan käännösten vastaavuuden perusteella kolmeen eri ryhmään: kirjaimellisesti käännetyt, osittain eroavat käännökset ja täysin eroavat käännökset. Teoriaosassa määritellään metaforan käsite ja esitellään kognitiivinen metaforateoria sekä Andrew Chestermanin teoria eri käännösstrategioista, jotka muodostavat tutkielman teoriapohjan. Analyysissa eritellään esimerkkien avulla, millaisia muutoksia eri strategioiden käyttö on saanut aikaan. Käännösstrategioiden käyttöä tarkastellaan Chestermanin jaottelemien syntaktisten, semanttisten ja pragmaattisten strategioiden osalta. Analyysiosiossa esitellään lyhyesti myös aineistossa esiintymättömät strategiat. Koska tutkielman tarkoitus on selvittää, millaisia käännösstrategioita viron-, latvian- ja liettuankielisissä käännöksissä on käytetty, tarkastellaan tutkimusaineistoa niin syntaksin, semantiikan kuin sanaston näkökulmasta. Lisäksi tutkielmassa etsitään syitä eri käännösstrategioiden valitsemiseen. Kielen rakenne, kääntäjän vaikutus, maiden väliset kielikontaktit sekä eri kulttuuripiirit vaikuttavat osaltaan käännösstrategioiden valintaan. Aineiston perusteella todetaan, että suomen, viron, latvian ja liettuan kielistä löytyy useita samoja metaforia. Osa metaforista on täysin samoja, osa taas perustuu samaan pohjametaforaan (käsitteelliseen metaforaan), vaikka eivät vastaisi toisiaan leksikaalisella tasolla. Osaa aineistossa olevista suomen kielen metaforista ei löydy lainkaan viron, latvian tai liettuan kielestä. Liettuan kielelle käännettäessä on suomen kielen metafora jouduttu selittämään auki useammin kuin viron tai latvian kielelle käännettäessä. Lisäksi todetaan, että suomen ja latvian kielen väliset erot ovat oletettua vähäisemmät, sillä latviankielinen käännös vastaa melko usein suomenkielistä alkutekstiä ja monesti myös vironkielistä käännöstä
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,049 | 0,011 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».