Kääntäjän kompetenssit suomalaisessa kääntäjänkoulutuksessa : A-työkieli ja käännösteknologia kääntäjänkoulutuksen opetussuunnitelmissa
Bibliographic record
Abstract
Tämä tutkielma käsittelee kahden kääntäjän kompetenssin näkymistä suomalaisen kääntäjänkoulutuksen opetussuunnitelmissa 2000-luvulla. Tutkimuksen tavoitteena on selvittää, onko A-työkielen eli suomen kielen opetus vähentynyt ja käännösteknologian opetus vastaavasti lisääntynyt tarkastellulla ajanjaksolla 2003–2023. Tämä tutkielma täydentää keskustelua siitä, miten suomalainen kääntäjänkoulutus on kehittynyt 2000-luvulla ja miten kääntäjän kompetenssit näkyvät opetussuunnitelmissa. Tutkimukseni aineisto koostuu neljän suomalaisen yliopiston englannin kääntämisen opetussuunnitelmista vuosilta 2003, 2013 ja 2023. Olen poiminut aineistosta A-työkieleen ja käännösteknologiaan liittyvät opintojaksot ja tarkastellut niiden määrän ja laajuuden kehitystä eri vuosikymmeninä. Olen myös tarkastellut, millaisia asioita opintojaksoilla on painotettu. Analyysini taustan muodostavat kääntäjän kompetenssit. Esittelen kolme erilaista kompetenssimallia ¬– Anthony Pymin minimalistisen mallin, PACTE-tutkimusryhmän empiirisen mallin sekä EMT-verkoston kääntämisen maisteriohjelmille asettamat kompetenssivaatimukset – ja tarkastelen, miten A-työkielen ja käännösteknologian kompetenssit on otettu huomioon malleissa. Tutkimukseni perusteella vaikuttaa siltä, että suomen kielen opetus kääntäjänkoulutuksessa on vähentynyt 2000-luvulla, mutta käännösteknologian opetuksen määrä ei ole vastaavasti lisääntynyt. Vuonna 2003 kaikkiin tarkasteltuihin kääntäjänkoulutuksiin sisältyi yhtä paljon pakollisia suomen kielen opintoja, mutta vuonna 2023 eri yliopistojen välillä oli jo merkittäviä eroja suomen kielen opintojaksojen määrässä ja laajuudessa sekä niiden sijoittumisessa joko kandidaatti- tai maisteritasolle. Käännösteknologian opetuksen määrä sen sijaan on vaihdellut suuresti eri yliopistoissa eri vuosina.
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 | 0.003 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.044 | 0.008 |
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".