Attributiivisen genetiivin sisältävät rakenteet venäjän kielessä ja niiden vastineet suomen kielessä.
Bibliographic record
Abstract
Tutkielman päätarkoituksena on verrata attributiivisen genetiivin sisältävien rakenteiden käyttöä venäjän ja suomen kielessä. Työssä on haluttu selvittää, miten attributiivista genetiiviä on käsitelty venäjän- ja suomenkielisessä teoriakirjallisuudessa, miten genetiivin käyttö eroaa näissä kielissä ja miten venäjän attributiivisen genetiivin sisältäviä rakenteita on kaunokirjallisuudessa käännetty suomen kieleen. Työn alussa on tarkasteltu venäjän ja suomen genetiivin merkitysvariantteja jo olemassa olevan teoriakirjallisuuden pohjalta. Tarkastelussa on keskitytty erityisesti attributiivisen genetiivin funktioihin ja merkityseroihin. Tutkielman empiirisen osan aineistona on käytetty Valentin Rasputinin pienoisromaania "Proshtshanie s Matjoroj" (1976) ja sen suomennosta "Jäähyväiset Matjoralle" (1979), jonka on kääntänyt Esa Adrian. Tutkimuksessa venäjänkielisestä alkuperäisteoksesta poimittiin kaikki attributiivisen genetiivin esiintymät ja selvitettiin, millä tavoin ne on käännetty suomenkielisessä versiossa. Tutkimustulokset osoittivat, että suurimmassa osassa tapauksista (197/279) suomennoksessa oli käytetty suoraa käännöstä, kun taas noin 30 % attributiivisen genetiivin sisältävistä rakenteista oli käännetty jollakin muulla tavoin. Suomennoksessa esiintyi suoran käännöksen lisäksi 12 eri käännöstapaa, joista yleisin oli yhdyssanan käyttö. Lisäksi aineistossa oli 11 genetiivirakennetta, joiden käännöstä ei voitu luokitella mihinkään näistä 12 tavasta. Sekä venäjänkieliset esiintymät että niiden suomenkieliset vastineet on luetteloitu tutkielman Liitteessä. Eri käännösvarianttien esittelyn ja analysoinnin jälkeen työssä on tarkasteltu erikseen tapauksia, joissa venäjänkielisessä rakenteessa esiintyy genetiivin inversio. Tutkielman lopussa on käsitelty syitä, joiden vuoksi venäjän attributiivisen genetiivin sisältäviä rakenteita ei aina voida kääntää suoraan suomen kieleen. Tärkein tutkimuksessa ilmi tullut seikka on se, ettei venäjän attributiivisella genetiivillä aina ole suoraa vastinetta suomen kielessä. Tällöin käännöksessä on käytettävä jotakin työssä käsitellyistä kiertoilmauksista. Kääntäjän tulisi siis tuntea hyvin kummankin kielen rakenteet voidakseen tuottaa sujuvaa kieltä.
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 | 0.004 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.027 | 0.006 |
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".