Musikaalikappaleiden kääntäminen : the Last Five Years-musikaalin kappaleiden suomentaminen B4-laulututkintoon
Bibliographic record
Abstract
Tässä opinnäytetyössä tutkittiin englanninkielisten musikaalikappaleiden kääntämistä suomen kielelle. Tutkimuksen ytimessä oli kääntämisen analysointi esimerkkikappaleiden kautta neljästä eri musikaalista. Aiheen kärkenä oli opinnäytetyön laatijan musiikkiteatteriopintojen taiteelliseen lopputyöhön kääntämät kappaleet The Last Five Years-musikaalista. \n \nOpinnäytetyön tavoitteena oli tutkia englanninkielisten musikaalikappaleiden käännösprosessia alkuperäiskielestä kohdemaan kielelle. Työn alussa esiteltiin käännösmusikaaleja teatterimuotona. Työn edetessä tutkittiin laululyriikan kääntämisen haasteita ja mahdollisuuksia ja pohdittiin, kuinka paljon kääntäjän tulee kunnioittaa alkuperäistä nuottikuvaa käännöstä tehdessä. Lopuksi pohdittiin laulettavuutta ja kääntäjän vastuutta tuottaa mahdollisimman laulajaystävällistä käännöstekstiä. Lähteinä on käytetty kääntämistä, musikaaleja ja laululyriikkaa käsittelevää kirjallisuutta, sekä tutkimusartikkeleita ja asiantuntijahaastatteluita. \n \nOpinnäytetyössä todettiin, että sujuvan käännöksen tekeminen on mahdollista alkuperäistä nuottikuvaa kunnioittaen ja esiteltiin tilanteet, jolloin nuottikuvan muuttaminen voi olla toimiva ratkaisu. Työ antoi kattavan katsauksen englanninkielisten musikaalikappaleiden käännösprosessista suomen kielelle, ja otti huomioon musikaaligenren erityispiirteet tarinankerronnasta laulettavuuteen.
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 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 0.002 |
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".