Suomen kielen metaforien ja vertausten kääntäminen viron, latvian ja liettuan kielille
Bibliographic record
Abstract
Pro gradu -tutkielma tutkii, miten suomenkieliset metaforat ja vertaukset on käännetty viron, latvian ja liettuan kielille. Tutkielman ala on käännöstutkimus, tarkemmin metaforien kääntäminen. Suomalais-ugrilaisen ja indoeurooppalaisen kieliperheen välillä on myös merkittäviä eroja, mikä tekee kielten vertailusta mielenkiintoista ja haastavaa. Kieliperheiden välisistä eroista johtuen oletuksena onkin, että suomesta latvian ja liettuan kielille käännettäessä kääntäjä joutuu tekemään enemmän muutoksia kuin suomesta viroksi käännettäessä. Oletuksena on myös, että viron kielen metaforat ovat lähempänä suomen kielen metaforia kuin latvian tai liettuan kielen metaforat. Tutkimus perustuu Sofi Oksasen romaanin Puhdistus (2008) sekä sen vironkielisen käännöksen Puhastus (2009), latviankielisen käännöksen Attīrīšanās (2011) ja liettuankielisen käännöksen Valymas (2010) analysointiin. Tutkimusaineistoksi on valittu 120 metaforaa tai vertausta lähtökielisen kirjan sivuilta 5–375 sekä kohdekielisten kirjojen sivuilta 3–318. Aineisto sisältää myös 42 kandidaatin-tutkielmassa analysoimaani metaforaa tai vertausta. Löytyneiden metaforien ja vertausten alkuperäistä muotoa verrataan viron-, latvian- ja liettuankielisiin käännöksiin osoittaen niin sanastollisia kuin kieliopillisia eroavaisuuksia. Esimerkkikohdat jaetaan käännösten vastaavuuden perusteella kolmeen eri ryhmään: kirjaimellisesti käännetyt, osittain eroavat käännökset ja täysin eroavat käännökset. Teoriaosassa määritellään metaforan käsite ja esitellään kognitiivinen metaforateoria sekä Andrew Chestermanin teoria eri käännösstrategioista, jotka muodostavat tutkielman teoriapohjan. Analyysissa eritellään esimerkkien avulla, millaisia muutoksia eri strategioiden käyttö on saanut aikaan. Käännösstrategioiden käyttöä tarkastellaan Chestermanin jaottelemien syntaktisten, semanttisten ja pragmaattisten strategioiden osalta. Analyysiosiossa esitellään lyhyesti myös aineistossa esiintymättömät strategiat. Koska tutkielman tarkoitus on selvittää, millaisia käännösstrategioita viron-, latvian- ja liettuankielisissä käännöksissä on käytetty, tarkastellaan tutkimusaineistoa niin syntaksin, semantiikan kuin sanaston näkökulmasta. Lisäksi tutkielmassa etsitään syitä eri käännösstrategioiden valitsemiseen. Kielen rakenne, kääntäjän vaikutus, maiden väliset kielikontaktit sekä eri kulttuuripiirit vaikuttavat osaltaan käännösstrategioiden valintaan. Aineiston perusteella todetaan, että suomen, viron, latvian ja liettuan kielistä löytyy useita samoja metaforia. Osa metaforista on täysin samoja, osa taas perustuu samaan pohjametaforaan (käsitteelliseen metaforaan), vaikka eivät vastaisi toisiaan leksikaalisella tasolla. Osaa aineistossa olevista suomen kielen metaforista ei löydy lainkaan viron, latvian tai liettuan kielestä. Liettuan kielelle käännettäessä on suomen kielen metafora jouduttu selittämään auki useammin kuin viron tai latvian kielelle käännettäessä. Lisäksi todetaan, että suomen ja latvian kielen väliset erot ovat oletettua vähäisemmät, sillä latviankielinen käännös vastaa melko usein suomenkielistä alkutekstiä ja monesti myös vironkielistä käännöstä
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 | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.049 | 0.011 |
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".