Parodisen käännöksen huumorin lokalisoinnin erikoispiirteet venäjän kielestä suomen kieleen (esimerkkinä "Taru Sormuksen Herrasta: Veljeskunta ja Sormus" -elokuva)
Notice bibliographique
Résumé
Tämän tutkimuksen tavoitteena on selvittää, kuinka venäläistä kulttuurisidonnaista huumoria voidaan kääntää suomen kielelle. Tutkimuskohteena on ”Taru sormusten herrasta: Veljeskunta ja sormus” -elokuva (ven. Братва и кольцо), joka on parodinen käännös elokuvasta ”Taru sormusten herrasta: Sormuksen ritarit”. Kyseinen parodiakäännös käännettiin suomeksi osana tutkimusta, mikä on todennäköisesti ensimmäinen kerta, kun parodinen käännös käännetään toiselle kielelle. Tutkielmassa käsiteltiin suomalaisen sekä venäläisen parodiakäännöksen nimiä ja muita kääntämisen erityispiirteitä. Lisäksi analysoitiin, miten suomenkielinen käännös onnistuu siirtämään alkuperäisen parodiakäännöksen huumoria suomen kielelle, sekä mitä elementtejä siinä säilyy ja mitä häviää. Tutkimuksessa myös luotiin ja sovellettiin uutta kääntämismenetelmää, metaparodista käännöstä, joka pyrkii säilyttämään alkuperäisparodian huumorin kohdekielen yleisölle. Menetelmä hyödyntää alkuperäisteoksia, sekä suomalaista kulttuuria, jotta huumori säilyisi ymmärrettävänä suomalaiselle yleisölle. Huumorin tehokuutta suomenkielisessä käännöksessä mitattiin esittämällä elokuva suomalaisin tekstityksin 12 katsojalle, joilla oli vaihteleva tietämys venäläisestä kulttuurista ja kielestä. Elokuvanäytöksen aikana kirjattiin ylös yleisön reaktioita elokuvan huumoriin. Elokuvan jälkeen katsojat vastasivat kyselyyn, joka arvioi heidän käsityksiään elokuvasta ja sen humoristisista elementeistä. Kyselyn tulokset osoittivat, että vaikka osa alkuperäisestä kulttuurisidonnaisesta huumorista katosi käännöksessä, metaparodinen lähestymistapa varmisti huumorin onnistuneen siirtymisen suomalaiselle yleisölle.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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 ».