Uudet sanat EU:n lainsäädännön unkarin- ja suomenkielisissä käännöksissä
Notice bibliographique
Résumé
Tutkielmassa vertaillaan uusien sanojen muodostamista Euroopan unioniin liittyvässä suomen- ja unkarinkielisessä lainsäädäntösanastossa. Tutkimusaineistona pro gradu -tutkielmassa ovat vuosina 2006–2016 ilmestyneet Euroopan parlamentin, Euroopan komission ja Euroopan unionin neuvoston humanitaariseen apuun ja kriisinhallintaan liittyvät viralliset tekstit. Tutkimuksen tarkoituksena on koota sähköisessä muodossa oleva korpus. \n \nTutkimuksessa selvitettiin, millä keinoilla luodaan uusia sanoja lainsäädännön teksteissä suomen ja unkarin kieleen ja millaisia nämä uudet sanat ovat. Aineiston analyysi osoitti, että unkarin kieleen uusi ilmaus on tullut joko yhdistämisen keinoin tai johtamisen avulla. Unkarinkielisessä aineistossa näkyi myös pyrkimys luoda ja käyttää sekä käyttötermien että lyhenteiden omaperäisiä käännöksiä. Unkarinkieliseen aineiston verrattuna suomenkielisessä aineistossa yhdyssanojen muodostaminen oli tavallisempi sananmuodostuskeino, erityisesti jos mukaan lasketaan myös vierasperäisiä aineksia sisältävät yhdyssanat. \n \nLisäksi tutkimuksessa selvitettiin, kuinka suuri osa sanastoa oli vierasperäisiä sanoja. Todettiin, että vieraskielten vaikutus aineistoon on ollut suuri molemmilla kielialueilla. Osa vierasperäisistä sanoista oli pysyviä käyttötermejä ja lyhenteitä, joiden runsas käyttö luonnollisesti kuuluu humanitaariseen apuun ja kriisinhallintaan liittyvään sanastoon. Lyhenteiden osuus oli molemmissa aineistossa kuitenkin yllättävän suuri.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,035 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».