Idiomien käännösstrategiat Colm Tóibínin romaanin Brooklyn suomennoksessa
Bibliographic record
Abstract
Tavoitteenani on tutkia idiomien käännösstrategioita Colm Tóibínin romaanin Brooklyn suomennoksessa. Olen kiinnostunut siitä, onko teoksen kääntäjä pystynyt säilyttämään lähtötekstin idiomit teoksen suomennoksessa kääntämällä ne jollakin suomen kielen idiomilla vai onko kääntäjä käyttänyt jotakin muuta käännösstrategiaa idiomien suomentamisessa. Aion myös selvittää, onko kääntäjä käyttänyt kääntäessään kompensaatiostrategiaa eli kääntänyt jonkin lähtötekstissä olevan ei-idiomaattisen normaali-ilmaisun idiomilla. Lisäksi tarkastelen, vastaako idiomikäännös lähtötekstin idiomia kuvallisuuden osalta. Tutkimuskysymykseni ovat seuraavat: 1. Millaisia käännösstrategioita kääntäjä on käyttänyt idiomeja suomentaessaan? 2. Onko lähtötekstin idiomin kuvallisuus siirtynyt käännökseen tapauksissa, joissa idiomi on käännetty idiomilla? Hypoteesini on, että osa lähtötekstin idiomeista on käännetty idiomilla, mutta enemmistö idiomeista on silti käännetty selittävällä normaali-ilmauksella. Tätä hypoteesia tukee esimerkiksi Nidan & Taberin (1969: 106) näkemys, että idiomi käännetään usein ei-idiomaattisella ilmauksella. Näin on siitäkin huolimatta, että ideaalina pidetään sitä, että kääntäjän pitäisi pyrkiä kääntämään lähtökielen idiomi kohdekielen idiomilla (Ingo 1990: 246). Tutkimukseni on pääosittain kvalitatiivinen ja kontrastiivinen, mutta siinä on myös kvantitatiivisia piirteitä. Tutkimusaineistoni koostuu idiomeista, jotka kerään romaanista. Tutkimus alkaa idiomin käsitteen määrittelyllä sekä idiomien keräämisellä lähtötekstistä ja suomennoksesta. Tämän jälkeen luokittelen idiomit sekä niiden käännökset käännösstrategian mukaan ja analysoin ne. Analyysissä tarkastelen myös idiomien kuvallisuutta niissä tapauksissa, joissa idiomi on käännetty idiomilla. Kategorisoin nämä idiomit kuvallisuuden säilymisen tason mukaan kolmeen ryhmään: 1) sama kuva, 2) osittain sama kuva sekä 3) eri kuva. Tulosten perusteella idiomit on käännetty useimmiten selittävällä normaali-ilmauksella. 389 idiomista peräti 202 kappaletta (52 % käännösstrategioiden kokonaismäärästä) on käännetty kyseistä käännösstrategiaa käyttämällä. Toiseksi yleisin käännösstrategia on idiomilla kääntäminen (169 kpl, 43 %), kolmanneksi poisto (14 kpl, 4 %) ja viimeiseksi sananmukaisesti kääntäminen (4 kpl, 1 %). Kompensaatiostrategioita on käytetty suomennoksessa yhteensä 104 kertaa. Normaali-ilmaus on käännetty idiomilla 100 kertaa (96 % kompensaatiostrategioista), ja suomennokseen on lisätty idiomi neljä kertaa (4 % kompensaatiostrategioista). Idiomilla ja sen idiomikäännöksellä on useimmiten osittain sama kuva (66 kpl, 39 % kaikista idiomeilla käännetyistä idiomeista). Eri kuva on puolestaan 52 tapauksella (31 %) ja sama kuva 51 tapauksella (30 %).
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.006 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.296 | 0.062 |
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".