Kiinalaisten chengyu-idiomien kääntäminen Liu Cixin Kolmen kappaleen probleeman suomennoksessa
Bibliographic record
Abstract
Tiivistelmä – Referat – Abstract Maisterintutkielmassani perehdyn kiinalaisten chengyu-idiomien kääntämiseen. Tutkimuksen tavoitteena on selvittää, millaisia erilaisia käännösstrategioita on käytetty kiinalaisten chengyu-idiomien suomeksi kääntämisessä ja samalla pohtia mahdollisia syitä kyseisiin käännösratkaisuihin. Kiinnitän huomioni myös käännösratkaisujen toteutumiseen siinä määrin kuin se on tutkimuksen kannalta tarpeellista. Tutkimukseni johtavana hypoteesina on, että kiinalaiset chengyu-idiomit käännetään suomeksi useimmiten selittävällä normaali-ilmauksella ja harvemmin kohdekielisellä idiomilla. Pyrin tutkielmassani vastaamaan seuraaviin kysymyksiin: Miksi kiinalainen chengyu-idiomi on vaikeaa kääntää muille kielille? Millaisia keinoja on käytettävissä chengyu-idiomeja käännettäessä kiinasta suomeen? Chengyu-idiomi on tärkeä osa kiinan kieltä. Kiinan kielen erikoisuutena sitä on jo tutkittu määrällisesti melko paljon maailmassa, mutta sitä ei ole juurikaan tutkittu kieliparissa suomi-kiina. Tutkimukseni täyttää täältä osin chengyun tutkimuskentässä olevaa aukkoa. Lyhyesti selitettynä chengyu-idiomit ovat tietynlaisia, yleensä neljästä kiinalaisesta kirjoitusmerkistä koostuvia kiinteitä ja idiomaattisia ilmauksia, joihin on kiteytynyt pieneen tilaan paljon kulttuuriin sidonnaista informaatiota. Siksi chengyu-idiomin merkitys on vaikea päätellä sen koostuvien komponenttien merkityksien perusteella, mikä aiheuttaa eniten vaikeuksia kääntäjälle, jolta edellytetään kiinan kielen kokonaisvaltaista hallintaa ja kiinalaiseen kulttuuriin perehdytystä. Tutkimukseni yleisenä teoreettisena viitekehyksenä on deskriptiivinen käännöstutkimus, jonka pyrityksenä on tarkastella käännöksiä ja käännösmenetelmiä objektiivisesti. Tutkimuksen aineisto koostuu kiinalaisen tieteiskirjailijan kirjoittamasta teoksesta Santi (2008) ja suomentaja Rauno Sainion siitä tekemästä käännöksestä Kolmen kappaleen probleema (2018). Luokittelen aineistostani löytyvät chengyu-idiomit (189 kpl) ja niiden käännökset viiteen ryhmään käytettyjen käännösmenetelmien mukaan: 1) kääntäminen kohdekielisellä idiomilla 2) kääntäminen sananmukaisella ilmauksella 3) kääntäminen selittävällä normaali-ilmauksella 4) kääntäminen deskriptiivisellä ilmauksella ja 5) poisto. Aineiston analyysin perusteella sain selvitettyä, että hypoteesini toteutui. Yleisin tapa kääntää chengyu-idiomi on kääntäminen selittävällä ilmauksella. Kaikista chengyu-idiomeista 127 kappaletta (67%) on käännetty suomeksi selittävällä ilmauksella. 33 kpl (18%) on käännetty sananmukaisesti. Chengyu-idiomi on saanut deskriptiivisen käännöksen 13 tapauksessa (7%). Kääntämiseen kohdekielisellä idiomilla on kääntäjä turvautunut 10 tapauksessa (5%) ja on vielä 6 idiomia (3%), jotka on jätetty kääntämättä. Kääntäjälle ensisijaiseksi suositeltava ohje chengyu-idiomin kääntämisestä on korvaaminen kohdekielisellä idiomilla, jolloin chengyu-idiomin todellinen merkitys, kuvaannollisuus ja värikkyys säilyvät parhaiten käännöksessä. Kieli- ja kulttuurieroista johtuen kohdekielestä on kuitenkin hyvin vaikea löytää sopivia vastineita chengyu-idiomille, joten kääntäjän tulee nojautua muihin käännösstrategioihin. Kääntäjä soveltaa selittäviä käännösratkaisuja eniten sen takia, että chengyu-idiomin merkitys välittyy sillä tavalla kohdekielen lukijoille vaivattomasti selkeällä kielellä ja väärinymmärrys vältetään. Toisaalta chengyu-idiomin kuvaannollisuus ja ilmeikkyys kärsivät näkyvästi viestin siirtämisessä.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.149 | 0.033 |
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".