Viittomakielinen käännöspankki poliisiviranomaisen kenttätyöhön
Bibliographic record
Abstract
Opinnäytetyön tarkoituksena oli kerätä poliisien asiakaskohtaamistilanteissa käyttämiä fraaseja ja kääntää ne suomalaiselle viittomakielelle. Kyseiset käännökset ovat tarkoitettuja poliisiviranomaisten käytettäväksi kenttätyössään. Opinnäytetyön produktina syntyi käännöspankin demoversio, jossa on 24 käännettyä kokonaisuutta. Työn tilaaja oli Poliisiammattikorkeakoulu.\n\nTyön tavoitteena oli selvittää, millaisia viittomakielisiä käännöksiä poliisi voisi käyttää työssään ja miten tällaisia käännöksiä tehdään. Tavoitteena oli myös selvittää, millainen on intuitiivinen puhuttu kieli – viitottu kieli käännöspankki.\n\nTyön tutkimus on kvalitatiivista ja sitä toteutettiin toimintatutkimuksen, innovaation tuottamisen ja haastattelun muodoissa. Työssä selvitettiin, mitä fraaseja pitäisi kääntää, miten ne kuuluisi kääntää ja kuvataan niiden käännösprosessi. Käännöspankki on suunniteltu mahdollisimman helppokäytttöiseksi.\n\nTyön tuote on hyödyllinen poliisiorganisaatiolle ja sen kehittämisprosessin kuvaus on hyödyllinen tulkeille ja tulkkiopiskelijoille, jotka ovat kiinnostuneita poliisikontekstista, käännöspankeista tai kääntämisen teoriasta. Työ tuo esille viittomakielisen saavutettavuuden viranomaistoiminnassa, joten se edistää viittomakielisten tasa-arvoista tiedonsaantia.
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) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.037 | 0.011 |
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".