Kääntäjän kompetenssit suomalaisessa kääntäjänkoulutuksessa : A-työkieli ja käännösteknologia kääntäjänkoulutuksen opetussuunnitelmissa
Notice bibliographique
Résumé
Tämä tutkielma käsittelee kahden kääntäjän kompetenssin näkymistä suomalaisen kääntäjänkoulutuksen opetussuunnitelmissa 2000-luvulla. Tutkimuksen tavoitteena on selvittää, onko A-työkielen eli suomen kielen opetus vähentynyt ja käännösteknologian opetus vastaavasti lisääntynyt tarkastellulla ajanjaksolla 2003–2023. Tämä tutkielma täydentää keskustelua siitä, miten suomalainen kääntäjänkoulutus on kehittynyt 2000-luvulla ja miten kääntäjän kompetenssit näkyvät opetussuunnitelmissa. Tutkimukseni aineisto koostuu neljän suomalaisen yliopiston englannin kääntämisen opetussuunnitelmista vuosilta 2003, 2013 ja 2023. Olen poiminut aineistosta A-työkieleen ja käännösteknologiaan liittyvät opintojaksot ja tarkastellut niiden määrän ja laajuuden kehitystä eri vuosikymmeninä. Olen myös tarkastellut, millaisia asioita opintojaksoilla on painotettu. Analyysini taustan muodostavat kääntäjän kompetenssit. Esittelen kolme erilaista kompetenssimallia ¬– Anthony Pymin minimalistisen mallin, PACTE-tutkimusryhmän empiirisen mallin sekä EMT-verkoston kääntämisen maisteriohjelmille asettamat kompetenssivaatimukset – ja tarkastelen, miten A-työkielen ja käännösteknologian kompetenssit on otettu huomioon malleissa. Tutkimukseni perusteella vaikuttaa siltä, että suomen kielen opetus kääntäjänkoulutuksessa on vähentynyt 2000-luvulla, mutta käännösteknologian opetuksen määrä ei ole vastaavasti lisääntynyt. Vuonna 2003 kaikkiin tarkasteltuihin kääntäjänkoulutuksiin sisältyi yhtä paljon pakollisia suomen kielen opintoja, mutta vuonna 2023 eri yliopistojen välillä oli jo merkittäviä eroja suomen kielen opintojaksojen määrässä ja laajuudessa sekä niiden sijoittumisessa joko kandidaatti- tai maisteritasolle. Käännösteknologian opetuksen määrä sen sijaan on vaihdellut suuresti eri yliopistoissa eri vuosina.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».