Tulkin ja tulkkauksen julkinen kuva Aamulehden lehtikirjoituksissa 1994-1995 ja 2006-2007
Bibliographic record
Abstract
Tässä tutkielmassa tarkastellaan tulkin ja tulkkauksen mediavälitteistä mielikuvaa eli julkista kuvaa Aamulehden lehtitekstien pohjalta. Hyvä maine on myös tulkille tärkeä, koska ihmiset etsivät vahvistusta jo olemassa oleville käsityksilleen. Tuntemattomaan suhtaudutaan helposti negatiivisesti.\n\nAineistoon kuuluvat kaikki Aamulehdessä vuosina 1994, 1995, 2006 ja 2007 julkaistut lehtitekstit, joissa mainitaan sanat tulkki tai tulkkaus. Aineistossa on yhteensä 468 tekstiä, jotka on luokiteltu 22 kategoriaan ja analysoitu aineistolähtöisen sisällönanalyysin keinoin. Sisällöllisesti suurimmat kategoriat liittyvät tulkkien toimintaan Euroopan unionissa (16,5 prosenttia), vammaisten tulkkauspalveluihin (14,4 prosenttia) ja tulkin rooliin (8,3 prosenttia).\n\nAnalyysissä kävi ilmi, että Suomen liityttyä Euroopan unionin jäseneksi vuonna 1995 maininnat tulkkauksesta lisääntyivät lehtiteksteissä vuonna 1995 sekä jo vuoden 1994 jälkimmäisellä puoliskolla, kuten myös Suomen Euroopan unionin neuvoston puheenjohtajuuskauden aikana vuonna 2006. Mitä useammin EU-tulkkauksesta kirjoitettiin, sitä enemmän tulkkauksen laatua, kustannuksia ja saatavuutta kritisoitiin. Samaan aikaan lisääntyi kuitenkin positiivisten tulkkauksesta kertovien tekstien määrä. Teksteissä kerrottiin tulkkauksesta ja esimerkiksi haastateltiin tulkkia.\n\nTulkin rooli -kategoriaan kuuluvien lehtitekstien luokitteluperusteena on tulkin roolista poikkeaminen, esimerkiksi ammattietiikan vastaisesti käyttäytyminen, epäpätevyys, asiakkaan neuvominen, lapsen tai sukulaisen toimiminen tulkkina sekä tilanteet, joissa joku viestintätilanteeseen osallistuvista tai lehtitekstin kirjoittaja ei ymmärrä tulkin roolia. Siksi tähän kategoriaan kuuluvissa teksteissä tulkin julkinen kuva on negatiivinen.\n\nVammaisten tulkkauspalveluja tuottavien tulkkien julkinen kuva on positiivinen ja parempi kuin muiden tulkkien. Tulkkauksen saatavuudesta ja kalleudesta keskustellaan, mutta työn laatua ei kritisoida kertaakaan aineiston lehtiteksteissä. Tulkit eivät myöskään poikkea roolistaan. Mielikuva tulkin työstä on realistinen.\n\nAsiasanat:Kääntämisen sosiologia, tulkin julkinen kuva, tulkin rooli, EU-tulkki, viittomakielen tulkki
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.082 | 0.020 |
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".