Käännösstrategiat fraseologisten ilmausten sekä slangin kääntämisessä suomen ja viron kielille Venedikt Erofejevin teoksessa Moskova-Petuški
Bibliographic record
Abstract
Tässä empiirisessä tutkielmassa tarkastellaan fraseologisten ilmausten sekä slangin kääntämisessä käytettyjä käännösstrategioita (käännösmenetelmiä) kaunokirjallisuudessa. Tämän yhteydessä huomiota kiinnitetään käännösten niin semanttiseen kuin tyylilliseen vastaavuuteen lähtötekstille. Tutkimusaineistona on käytetty venäläisen kirjailijan Venedikt Erofejevin teoksen Moskova – Petuški toista painosta (1998) ja sen samannimisiä käännöksiä viron (kääntäjä Ott Arder, 2012) ja suomen (kääntäjä Esa Adrian, 2001) kielille. \n \nTutkielman tarkoituksena on selvittää vertailun avulla fraseologisten ilmausten sekä slangin kääntämisessä käytettyjä käännösstrategioita tulokielillä. Tässä periaatteena on, että paras tapa kääntää fraseologisia ilmauksia on niiden korvaaminen fraseologisella ilmauksella ja huonoin tapa korvaaminen ei-fraseologisella ilmauksella (normaali-ilmauksella). Periaatetta käytetään myös slangin yhteydessä. Yhteensä tutkielmassa on mukana 182 lähtötekstistä löytynyttä fraseologista ilmausta tai slangisanaa. \n \nTutkielmassa havaitaan, että eniten käytetty käännösstrategia molemmilla tulokielillä on fraseologisten ilmausten tai slangin kääntäminen fraseologisella ilmauksella tai slangilla. Toiseksi eniten käytetty käännösmenetelmä viron kielellä on normaali-ilmausten kääntäminen fraseologisilla ilmauksilla tai slangilla, suomen kielellä fraseologisten ilmausten tai slangin kääntäminen normaali-ilmauksella. Tutkimuksen tulemuksena todetaan, että molemmat käännökset eroavat niin lähtötekstistä kuin toisistaan fraseologisten ilmausten sekä slangin käyttömäärässä (lähtötekstissä 182 kappaletta, tulokielellä suomi 159 kappaletta, tulokielellä viro 221 kappaletta). Tämä viittaa tyylilliseen eroavuuteen teksteissä, jos lähtökohtana on fraseologisten ilmausten sekä slangin käyttö tyylikeinona. Merkittävä semanttista eroavuutta lähtötekstistä ei esiinny.
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 | 0.004 |
| 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 | 0.008 | 0.005 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.100 | 0.024 |
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".