Verbien nominaalimuodot informoivissa selko- ja yleiskielisissä viranomaisteksteissä : Vertaileva kielensisäinen käännöstutkimus
Bibliographic record
Abstract
Tutkielmassani tarkastelen suomen kielen verbien nominaalimuotoja informoivissa selko- ja yleiskielisissä viranomaisteksteissä. Lähestyn aihetta käännöstieteellisestä näkökulmasta, jota Suomessa on selkokielen tutkimuksessa hyödynnetty vasta vähän. \n \nTutkielmassani selvitän, eroavatko informoivien selkokielisten viranomaistekstien nominaalimuotojen määrät niiden yleiskielisistä vastineista ja millä tavalla. Selvitän myös, minkälaisia käännösstrategioita nominaalimuotojen kohdalla on käytetty ja minkälaisiin käännösratkaisuihin niiden osalta on päädytty. Lisäksi arvioin, miten tehdyt käännösratkaisut suhteutuvat selkokielen kriteereihin, jotka tässä tutkimuksessa ovat kriteereinä myös selkokielisten kohdetekstien oletetulle skopokselle, ymmärrettävyydelle. \n \nTutkimuksen aineisto koostuu yhteensä 16 selko- ja yleiskielisestä tekstistä eli yhteensä 8 tekstiparista ja niissä esiintyvistä nominaalimuodoista. Aineiston tekstiparit on kohdennettu virke kerrallaan, ja teksteissä esiintyviä nominaalimuotoja tarkastellaan sekä koko aineiston tasolla että vain sisällöllisesti ekvivalentilla tasolla. Aineistosta tuotetaan sekä määrällistä että laadullista tietoa. Käännöstieteen puolelta hyödynnän erityisesti ekvivalenssin käsitettä ja skoposteoriaa. Selkokielen tutkimuksen puolelta hyödynnän puolestaan erityisesti selkokielen mittarissa määriteltyjä selkokielen kriteereitä sekä muuta tutkimukseen pohjaavaa tietoa selkokielestä. \n \nTutkimustulokset osoittavat, että aineiston selkokielisissä teksteissä käytetään nominaalimuotoja lähes yhtä paljon kuin aineiston yleiskielisissäkin teksteissä. Sen sijaan vaikeiksi katsottuja nominaalimuotoja käytetään aineiston selkokielisissä teksteissä huomattavasti aineiston yleiskielisiä tekstejä vähemmän. Tutkimustulokset osoittavat myös, että aineiston selkokielisissä teksteissä yleiskielisten tekstien nominaalimuotojen kohdalla on käytetty seuraavia käännösstrategioita: nominaalimuodon säilymistä samana, nominaalimuodon poistoa, nominaalimuodon lisäystä sekä nominaalimuodon korvausta toisella nominaalimuodolla. \n \nAineiston käännösstrategioiden tuottamista käännösratkaisuista neljä tyypillisintä ratkaisua ovat verbiketju, yksiosainen finiittiverbi, koko nominaalimuotoa kantavan sanan poisto sekä liittotempus. Aineiston tyypillisimmät käännösratkaisut vastaavat pitkälti selkokielen kriteereitä ja siten tekstien oletettua skoposta, ymmärrettävyyttä. Käännösratkaisujen tarkastelu osoittaa kuitenkin myös, etteivät ratkaisut ole missään tilanteissa yksiselitteisiä, vaan niiden vaikutuksia on arvioitava pidemmälle kuin vain itse nominaalimuotoiseen ilmaukseen. Erityisesti on huomioitava, etteivät useampiosaisten nominaalimuotoisten ilmausten osat ole tarpeettomasti erillään tai tarpeettoman kaukana toisistaan sekä etteivät uutta sivulausetta edellyttävät käännösratkaisut tuota liikaa sellaisia virkkeitä, joissa on useampi kuin yksi sivulause. \n \nToistaiseksi osittain epäselviksi jäävät verbiliittojen ja verbiketjujen ymmärrettävyys suhteessa toisiinsa sekä elliptisten ilmausten soveltuvuus selkokieleen. Tulevaisuudessa näitä kahta voisikin tarkastella lähemmin. Toisaalta myös käännöstieteellisessä näkökulmassa riittää varmasti myös vielä paljon tarkasteltavaa.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.006 | 0.004 |
| Scholarly communication | 0.014 | 0.008 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.053 | 0.013 |
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".