Suomen ja Ranskan korkeakoulutasolla tarjottavan tulkkausopetuksen keskinäinen vertailu konferenssitulkkauksen laatukriteerien näkökulmasta
Bibliographic record
Abstract
Tässä tutkimuksessa perehdytään Suomen ja Ranskan tulkkauskoulutuksiin ja vertaillaan niitä keskenään. Koulutuksia tarkastellaan erityisesti konferenssitulkkauksen näkökulmasta. European Masters in Conference Interpreting eli EMCI on konferenssitulkkikouluja varten tehty verkosto, jonka laatukriteerien avulla varmistetaan muun muassa Euroopan unionin konferenssitulkkien korkea koulutus. EMCI:n laatukriteerit esitellään myös tässä tutkimuksessa, ja ne toimivat mittapuuna tutkimuksessa mukana olevien tulkkauskoulutusten vertailussa. \nTulkkauksen laadun ja koulutuksen tutkimisessa ovat ansioituneet esimerkiksi Ingrid Kurz (1989, 1993, 2001), Hildegund Bühler (1986), Daniel Gile (1991, 1995, 2001) ja Franz Pöchhacker (2010), joiden tutkimuksia esittelen muiden muassa pohjustuksena hyvän tulkkauslaadun määrittelyyn. Näistä tutkimuksista saatuja tuloksia käytän hyödyksi myös omassa vertailussani. \n \nSain neljän suomalaisen ja neljän ranskalaisen korkeakoulun tulkkausopintojen ohjelmat joko koulutusten verkkosivuilta tai pyytämällä ne käyttööni tätä tutkimusta varten. Esittelen aluksi tulkkausohjelmat maakohtaisesti yksi korkeakoulu kerrallaan. Lopuksi kokoan ohjelmat vertailutaulukkoon, johon merkitsin myös kategorioittain tulkille tärkeitä tietotaitoja. Vertailukeinona käytän kursseista saatavien opintopisteiden määrää, ja analyysissa pohdin koulutusten laajuutta verrattuna toisiinsa sekä EMCI:n kriteereihin. \n \nTutkimuksen yhteenvedossa totean, että Ranskassa on mahdollisuus kouluttautua konferenssitulkiksi korkeakoulutasolla. Suomessa ei ollut tutkimuksen teko- ja ilmestymisvaiheessa konferenssitulkkien koulutusta, vaikka käännöstieteen ja kielten opiskelijoille on tarjolla tulkkausopintoja. Suomessa tulkkausopinnot painottuvat enemmän oikeustulkkaukseen tai toimivat laajuudeltaan pienenä esittelynä tulkin tietotaitoihin ja ammattiin. Ranskassa konferenssitulkkikoulutusten lisäksi korkeakoulutasoista tulkkauksen opetusta on myös saatavilla lyhyinä ohjelmina, joissa ei erikoistuta johonkin tiettyyn tulkkaustapaan. Maiden koulutuksissa on siis yhtäläisyyksiä suppeampien koulutusten osalta, mutta Ranskan konferenssitulkkauskoulutus on selkeästi korkeatasoisempaa kuin Suomessa. Ranskassa on jopa kaksi EMCI-koulutusta tarjoavaa paikkaa ja muita konferenssitulkkaukseen painottuneita opintokokonaisuuksia. Suomen korkeakouluissa tarjotaan konferenssitulkkauksen yksittäisiä kursseja, joten maakohtainen ero on suuri. Suomessa ei ole EMCI-tasoista koulutusta, joten myös konferenssitulkkauksen laatukriteerit täyttyvät varmemmin Ranskassa.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.008 | 0.004 |
| Scholarly communication | 0.014 | 0.008 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.094 | 0.018 |
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".