Huumorin kääntäminen viittomakielelle näytelmässä Ideaparkki
Bibliographic record
Abstract
TIIVISTELMÄ \n \nLehtinen, Niina & Niemelä, Sanni. Huumorin kääntäminen viittomakielelle näytelmässä Ideaparkki. Diak Länsi, Turku, kevät 2011, 37 sivua, 2 liitettä. \nDiakonia-ammattikorkeakoulu, Viittomakielentulkin koulutusohjelma, viittomakielentulkki (AMK). \n \nOpinnäytetyön päätavoitteena oli kääntää suomenkielisiä humoristisia ilmaisuja suomalaiselle viittomakielelle sekä tarkastella tekemiämme käännösratkaisuja huumorin välittämiseksi. Käännöstyön lisäksi työn tarkoituksena oli saada tietoa siitä, onko erilaisten huumorin keinojen kääntämiselle olemassa tiettyä käännösstrategiaa. \n \nKäännöstyö pohjautui Markku Hattulan käsikirjoittamaan näytelmään Ideaparkki. Aineistona käytettiin käsikirjoituksesta poimittuja humoristisia ilmaisuja, aiempaan opintojaksoon tekemäämme viittomakielistä käännöstä näytelmästä sekä humorististen ilmaisujen hiottuja viittomakielisiä käännöksiä. \n \nKäännösprosessin aikana analysoitiin lähdetekstiä ja käännettiin teksti viittomakielelle. Kääntämisessä sovellettiin eri käännösteorioiden osia. Käännöstä analysointiin ja muokattiin lähdetekstin muutosten myötä, sillä käsikirjoitus muuttui ensimmäisen käännöksen jälkeen. Ensimmäisen käännöksen pohjalta tulkattiin Ideaparkki-näytelmä viittomakielelle Tarvasjoen kesäteatterissa kesällä 2010. \n \nNäytelmässä esiintyneet huumorin keinot poimittiin käsikirjoituksesta ja niistä valittiin kolme keinoa lähempään tarkasteluun. Aineisto jaoteltiin luokkiin suomen kielen kielellisten huumorin keinojen mukaan: huono suomi, monimerkityksisyys ja loppusoinnut. Luokittelun tarkoituksena oli havainnollistaa, kuinka suomenkielisiä huumorin keinoja on mahdollista kääntää viittomakielelle. Huumorin kääntäminen on tilannekohtaista, joten käännösratkaisumahdollisuuksista huolimatta humoristisia ilmaisuja käännettäessä tulee aina ottaa huomioon vastaanottaja ja hänen tarpeensa. \n \nAsiasanat: viittomakieli, kääntäminen, huumori
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 | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.007 | 0.003 |
| Scholarly communication | 0.010 | 0.006 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.156 | 0.058 |
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".