Parodisen käännöksen huumorin lokalisoinnin erikoispiirteet venäjän kielestä suomen kieleen (esimerkkinä "Taru Sormuksen Herrasta: Veljeskunta ja Sormus" -elokuva)
Bibliographic record
Abstract
Tämän tutkimuksen tavoitteena on selvittää, kuinka venäläistä kulttuurisidonnaista huumoria voidaan kääntää suomen kielelle. Tutkimuskohteena on ”Taru sormusten herrasta: Veljeskunta ja sormus” -elokuva (ven. Братва и кольцо), joka on parodinen käännös elokuvasta ”Taru sormusten herrasta: Sormuksen ritarit”. Kyseinen parodiakäännös käännettiin suomeksi osana tutkimusta, mikä on todennäköisesti ensimmäinen kerta, kun parodinen käännös käännetään toiselle kielelle. Tutkielmassa käsiteltiin suomalaisen sekä venäläisen parodiakäännöksen nimiä ja muita kääntämisen erityispiirteitä. Lisäksi analysoitiin, miten suomenkielinen käännös onnistuu siirtämään alkuperäisen parodiakäännöksen huumoria suomen kielelle, sekä mitä elementtejä siinä säilyy ja mitä häviää. Tutkimuksessa myös luotiin ja sovellettiin uutta kääntämismenetelmää, metaparodista käännöstä, joka pyrkii säilyttämään alkuperäisparodian huumorin kohdekielen yleisölle. Menetelmä hyödyntää alkuperäisteoksia, sekä suomalaista kulttuuria, jotta huumori säilyisi ymmärrettävänä suomalaiselle yleisölle. Huumorin tehokuutta suomenkielisessä käännöksessä mitattiin esittämällä elokuva suomalaisin tekstityksin 12 katsojalle, joilla oli vaihteleva tietämys venäläisestä kulttuurista ja kielestä. Elokuvanäytöksen aikana kirjattiin ylös yleisön reaktioita elokuvan huumoriin. Elokuvan jälkeen katsojat vastasivat kyselyyn, joka arvioi heidän käsityksiään elokuvasta ja sen humoristisista elementeistä. Kyselyn tulokset osoittivat, että vaikka osa alkuperäisestä kulttuurisidonnaisesta huumorista katosi käännöksessä, metaparodinen lähestymistapa varmisti huumorin onnistuneen siirtymisen suomalaiselle yleisölle.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
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; both teacher heads agree on what is shown here.
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".