Formes d’adresse dans le discours politique du Parlement européen : comparaison entre le français et le finnois
Bibliographic record
Abstract
Euroopan parlamentin kaltaisella kansainvälisellä monikielisellä yhteisöllä on oma viestintäkulttuurinsa. Puhuttelusanojen käyttö on osa formaalia kohteliasta vuorovaikutusta virallisissa poliittisissa kokouksissa. Puhuttelusanojen käyttöön tuo oman mausteensa myös niiden kääntäminen simultaanitulkkauksessa. Tässä tutkimuksessa on havainnoitu ja analysoitu puhuttelusanojen käyttöä simultaanitulkkauksessa ranskasta suomeen kahdessa Euroopan parlamentin kokouksessa syksyllä 2019 ja keväällä 2020. Tutkimuksen teoriaosassa viitataan erityisesti Kerbrat-Orecchionin ja Iso-Sävin tutkimuksiin ranskan kielen puhuttelumuodoista, Yli-Vakkurin tutkimukseen suomen kielen kohteliaisuusmuodoista sekä Venutin ja Chestermanin tutkimuksiin käännösstrategioista. Eri kielten konventiot kohteliaisuuden ja puhuttelusanojen suhteen ovat erilaisia, ja tulkatessa tulkin on valittava, käyttääkö hän lähdekielen vai kohdekielen mukaista strategiaa. Virallisessa poliittisessa kielenkäytössä ranskan ja suomen kielten välillä on yllättävänkin paljon yhteneväisyyksiä - esim. teitittelyn käyttö kautta linjan - mutta myös runsas puhuttelusanojen käyttö. Ranskan kielen puhuttelusanat ovat kuitenkin erilaisia kuin suomen kielen, ja selkeimpänä erona tutkimuksen mukaan on se, että ranskan kieli käyttää sukupuoleen viittavia sanoja Monsieur (herra) / Madame (rouva) runsaammin. Nämä tulkataan vain harvoin lähdekielen mukaisesti, ja huomattavasti useammin tulkki turvautuu kohdekielelle ominaiseen strategiaan joko jättämällä sanan herra / rouva kokonaan pois, tai vaihtoehtoisesti korvaamalla sen adjektiivilla (esim. arvoisa) tai ammattinimikkeellä (esim. edustaja). Tulkkaus on aikarajoitteiden ja yllättävien tilanteiden takia kääntämisen muoto, jossa ei ole mahdollisuutta pohtia käännösstrategioita tulkkaustilanteessa, vaan päätökset on tehtävä nopeasti. Tutkimus osoittaa, että puhuttelusanojen suhteen tulkeille on kehittynyt selkeä malli, jonka mukaan kääntää puhuttelusanat niin, että ne kuulostavat luontevilta suomen kielen tulkkausta kuuntelevalle asiakkaalle – onhan tulkkausta suomen kielelle ollut tarjolla Euroopan parlamentissa jo reilun 25 vuoden ajan.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.000 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.012 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".