Korkeakoulun penkiltä kääntäjäksi : FILIn harjoittelusta kirjallisuuden kääntämisen ammattilaiseksi
Bibliographic record
Abstract
Suomalaisen kirjallisuuden vienti on nyt nousujohteista ja käännösoikeuksia myydään ennätystahtiin. Tunnetuin reitti kirjallisuuden kääntäjäksi ovat suomen kielen ja kulttuurin opinnot, mutta niiden opetus maailmalla vähenee jatkuvasti. Ilman kääntäjiä ei kuitenkaan ole myöskään kirjallisuusvientiä. Opinnäytetyön tarkoitus oli selvittää Kirjallisuuden vientikeskus FILIlle, miten heillä tehty Opetushallituksen koordinoima Suomea Suomessa - harjoittelu on vaikuttanut harjoittelijan uravalintaan. Tuliko harjoittelijoista kääntäjiä? Entä olisiko prosessissa ja harjoittelun sisällössä jotain kehitettävää?\n\nOpinnäytetyö tehtiin perehtymällä FILIn toimintaan, kirjallisuusviennin prosesseihin ja kääntäjiin. Tärkein aineisto saatiin toteuttamalla kysely vuosina 2001-2017 FILIssä Suomea Suomessa - harjoittelun tehneille. Toimeksiannon tavoitteena oli saada kyselystä tietoa, jonka pohjalta arvioida harjoittelua ja tehdä kehittämisehdotuksia sekä samalla osoittaa toiminnan merkitystä laajemminkin. Aikaisempia selvityksiä FILIlle ei ole aiheesta tehty. \n\nTulosten mukaan harjoittelu on ollut kannattava sekä harjoittelijalle, FILIlle että Opetushallitukselle, sillä 89% kyselyyn vastanneista FILIn harjoittelijoista on tehnyt kääntäjän töitä harjoittelun päätyttyä. Harjoittelun hakuprosessista ja sisällöstä löytyi kehitettävää, joita hienosäätämällä FILIn harjoittelu voisi muotoutua todelliseksi ponnahduslaudaksi kääntäjän ammattiin. FILI ei voi kuitenkaan yksin olla vastuussa uusien kääntäjäsukupolvien kasvatuksesta. Kirjallinen selvitys harjoittelun vaikutuksesta harjoittelijoiden urakehitykseen ja tätä kautta suoraan kirjallisuusvientiimme osoittaa suomen kielen opetuksen merkityksen sekä (aloittelevien) kääntäjien tukemisen tarpeellisuuden. Toimenpiteitä on tehtävä, jotta riittävä kääntäjien määrä saadaan turvatuksi myös tulevaisuudessa.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.008 | 0.004 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.075 | 0.029 |
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".