El simbolismo fónico de los verbos expresivos en la novela finlandesa Juoksuhaudantie y su traducción al español
Bibliographic record
Abstract
Tämän pro gradu -tutkielman aiheena on suomen äänteellisesti motivoituneiden verbien kääntäminen espanjan kielelle. Tutkielmassa tarkastellaan Kari Hotakaisen (2006) Juoksuhaudantie-romaanissa esiintyviä deskriptiivisiä ja onomatopoeettisia verbejä sekä niiden käännösvastineita Ursula Ojasen ja Rafael García Anguitan (2007) espanjankielelle kääntämässä romaanissa Camino de trincheras. Tutkimuksen tarkoituksena on selvittää, onko suomen ekspressiiviverbien äännesymboliikkaa mahdollista ilmaista espanjan kielellä, saavutetaanko käännöksessä semanttinen ekvivalenssi, millaisia tekniikoita kääntämisessä on sovellettu ja onnistutaanko käännöksessä säilyttämään ekspressiiviverbeille ominainen tyyli. \nTutkimuksessa vertaillaan suomen ja espanjan äänteellisesti motivoitunutta sanastoa sekä tutkitaan espanjalle ominaisia tapoja ilmaista ekspressiivisyyttä. Käännösvastineiden analyysissa käytetään sanaluokkavaihdon metodia (Inose: 2009) sekä Snell-Hornbyn (1983) mallia ekspressiiviverbien merkityssisällön kääntämisestä. Aineiston verbit jaetaan semanttisiin luokkiin ja niiden käännösvastineita analysoidaan valittujen tekniikoiden avulla. \nVain harvoissa tapauksissa käännöksistä äännesymboliikka on pystytty säilyttämään, mutta verbien merkityssisältö on onnistuttu kääntämään kohdekielelle. Käännöksissä verbiluokka säilyy, ja noin puoleen käännösvastineista on liitetty muiden sanaluokkien rakenteita. Suurin osa käännösvastineista on semanttisesti neutraaleja, onomatopoeettisia käännöksiä on vähän. Kohdetekstissä käytetyt fraseologiset yksiköt ja arvottavat jälkiliitteet antavat käännökselle ekspressiivisen sävyn. \nSuomessa ekspressiivistä tyyliä ilmaistaan äänteellisesti motivoituneilla sanoilla. Espanjassa ekspressiivisyys ei perustu niinkään äännesymboliikkaan vaan esimerkiksi fraseologisten rakenteiden ja arvottavien jälkiliitteiden käyttöön. Suomen ekspressiivisanojen kääntämisessä tulisi käyttää kohdekielelle ominaisia, tyyliltään samanakaltaisia vastineita.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.002 | 0.003 |
| Meta-epidemiology (broad) | 0.003 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.004 | 0.001 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.035 | 0.025 |
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; both teacher heads agree on what is shown here.
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".