Tuntematon uudelleenkääntäminen: Väinö Linnan Tuntemattoman sotilaan kahden käännöksen tutkimus
Bibliographic record
Abstract
Tässä tutkielmassa verrataan kahta Väinö Linnan Tuntemattoman sotilaan käännöstä uudelleenkääntämisen teorian avulla. Tarkoitus on selvittää uudelleenkääntämisen hypoteesin toteutuminen tässä tapauksessa. Uudelleenkääntämisenhypoteesi tarkoittaa pyrkimystä kotouttaa ensimmäinen käännös ja käyttää vieraannuttavaa käännösstrategiaa seuraavassa käännöksessä. Uudelleenkääntämisellä tarkoitetaan jonkin tekstin kääntämistä uudelleen ja yleensä jos kyse on kaunokirjallisuuden uudelleenkääntämisestä, niin sille on jokin syy. Syy voi olla edellisen käännöksen vanhentuminen (kielellisesti tai yhteiskunnallisesti) tai vanhan käännöksen sisältämät käännösvirheet. Tutkimusaineistona käytetään Väinö Linnan Tuntematonta Sotilasta (1954) ja kahta romaanin venäjänkielistä käännöstä. Ensimmäinen käännös on peräisin vuodelta 1991 ja sen käänsivät Vladimir Smirnov ja Irma Marcina. Vuoden 2017 käännöksen teki Bair Irenčeev. Tutkielmassa käsitellään lähdetekstin ja käännösten sanastoa, joka liittyy tuliaseisiin, sotilasarvoihin ja kirosanoihin. Opinnäytteen tekemisessä hyödynnettiin Tampereen yliopiston Texthammer-korpushallintatyökalua. Tätä varten toinen käännös digitalisoitiin ja tasattiin lähdetekstin ja ensimmäisen käännöksen kanssa. Seuraavaksi tehtiin tekstien automaattinen morfosyntaktinen analyysi ja annotoidut kohdistetut tekstit ladattiin palvelimelle TextHammer -korpushallintatyökaluun. Teksteistä saatiin tarvittavat esimerkit opinnäytetyön analyysia varten. Jokaiselle käsiteltävälle termille tehtiin taulukko, missä näkyi kääntäjien tarjoamat käännösvastineet ja niiden lukumäärät. Näiden tietojen pohjalta voitiin tarkastella käännösstrategioita. Lisäksi tulosten perusteella havaittiin joitain käännösvirheitä sotilastermistön kanssa ensimmäisessä käännöksessä. Tämä näkyy etenkin kirosanoissa ja jonkin verran sotilasarvoissa. Samaan aikaan aseiden kanssa on hankala tehdä päätelmiä, koska aseiden nimitykset, kuten kivääri ovat jo vakiintuneet. Joitain sotilasarvoja on kotoutettu, mutta kääntäjät eivät tuo vieraan valtion asevoimia liian lähelle lukijaa. Ensimmäisessä käännöksessä kiroilu on käytännössä poistettu tai kevennetty, mitä voi tavallaan sanoa reaalioiden kotouttamista. Samaan vuoden 2017 käännöksessä kiroilu on jätetty ja se on kotoutettu vastaamaan nykyajan kohdeyleisön kielellisiä tottumuksia. Tutkimuksessa käsitellyn aineiston perusteella on mahdollista sanoa, että hypoteesi koskien uudelleenkäännöstä ei toteudu. Vaikka jossain tapauksissa hypoteesi toteutuukin, niin koko opinnäytteen hypoteesin toteutumiseen se ei vaikuta.
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.001 | 0.000 |
| 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 | 0.001 |
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 teacher head, 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".