Kiinalaisten chengyu-idiomien kääntäminen Liu Cixin Kolmen kappaleen probleeman suomennoksessa
Notice bibliographique
Résumé
Tiivistelmä – Referat – Abstract Maisterintutkielmassani perehdyn kiinalaisten chengyu-idiomien kääntämiseen. Tutkimuksen tavoitteena on selvittää, millaisia erilaisia käännösstrategioita on käytetty kiinalaisten chengyu-idiomien suomeksi kääntämisessä ja samalla pohtia mahdollisia syitä kyseisiin käännösratkaisuihin. Kiinnitän huomioni myös käännösratkaisujen toteutumiseen siinä määrin kuin se on tutkimuksen kannalta tarpeellista. Tutkimukseni johtavana hypoteesina on, että kiinalaiset chengyu-idiomit käännetään suomeksi useimmiten selittävällä normaali-ilmauksella ja harvemmin kohdekielisellä idiomilla. Pyrin tutkielmassani vastaamaan seuraaviin kysymyksiin: Miksi kiinalainen chengyu-idiomi on vaikeaa kääntää muille kielille? Millaisia keinoja on käytettävissä chengyu-idiomeja käännettäessä kiinasta suomeen? Chengyu-idiomi on tärkeä osa kiinan kieltä. Kiinan kielen erikoisuutena sitä on jo tutkittu määrällisesti melko paljon maailmassa, mutta sitä ei ole juurikaan tutkittu kieliparissa suomi-kiina. Tutkimukseni täyttää täältä osin chengyun tutkimuskentässä olevaa aukkoa. Lyhyesti selitettynä chengyu-idiomit ovat tietynlaisia, yleensä neljästä kiinalaisesta kirjoitusmerkistä koostuvia kiinteitä ja idiomaattisia ilmauksia, joihin on kiteytynyt pieneen tilaan paljon kulttuuriin sidonnaista informaatiota. Siksi chengyu-idiomin merkitys on vaikea päätellä sen koostuvien komponenttien merkityksien perusteella, mikä aiheuttaa eniten vaikeuksia kääntäjälle, jolta edellytetään kiinan kielen kokonaisvaltaista hallintaa ja kiinalaiseen kulttuuriin perehdytystä. Tutkimukseni yleisenä teoreettisena viitekehyksenä on deskriptiivinen käännöstutkimus, jonka pyrityksenä on tarkastella käännöksiä ja käännösmenetelmiä objektiivisesti. Tutkimuksen aineisto koostuu kiinalaisen tieteiskirjailijan kirjoittamasta teoksesta Santi (2008) ja suomentaja Rauno Sainion siitä tekemästä käännöksestä Kolmen kappaleen probleema (2018). Luokittelen aineistostani löytyvät chengyu-idiomit (189 kpl) ja niiden käännökset viiteen ryhmään käytettyjen käännösmenetelmien mukaan: 1) kääntäminen kohdekielisellä idiomilla 2) kääntäminen sananmukaisella ilmauksella 3) kääntäminen selittävällä normaali-ilmauksella 4) kääntäminen deskriptiivisellä ilmauksella ja 5) poisto. Aineiston analyysin perusteella sain selvitettyä, että hypoteesini toteutui. Yleisin tapa kääntää chengyu-idiomi on kääntäminen selittävällä ilmauksella. Kaikista chengyu-idiomeista 127 kappaletta (67%) on käännetty suomeksi selittävällä ilmauksella. 33 kpl (18%) on käännetty sananmukaisesti. Chengyu-idiomi on saanut deskriptiivisen käännöksen 13 tapauksessa (7%). Kääntämiseen kohdekielisellä idiomilla on kääntäjä turvautunut 10 tapauksessa (5%) ja on vielä 6 idiomia (3%), jotka on jätetty kääntämättä. Kääntäjälle ensisijaiseksi suositeltava ohje chengyu-idiomin kääntämisestä on korvaaminen kohdekielisellä idiomilla, jolloin chengyu-idiomin todellinen merkitys, kuvaannollisuus ja värikkyys säilyvät parhaiten käännöksessä. Kieli- ja kulttuurieroista johtuen kohdekielestä on kuitenkin hyvin vaikea löytää sopivia vastineita chengyu-idiomille, joten kääntäjän tulee nojautua muihin käännösstrategioihin. Kääntäjä soveltaa selittäviä käännösratkaisuja eniten sen takia, että chengyu-idiomin merkitys välittyy sillä tavalla kohdekielen lukijoille vaivattomasti selkeällä kielellä ja väärinymmärrys vältetään. Toisaalta chengyu-idiomin kuvaannollisuus ja ilmeikkyys kärsivät näkyvästi viestin siirtämisessä.
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 | 0,001 | 0,002 |
| 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 | 0,003 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,149 | 0,033 |
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 ».