The Frequency Taxonomy of Syntactico-Morphological Errors in Persian-English Translation Based on Contrastive Analysis & Error Analysis
Notice bibliographique
Résumé
This study aims to provide a linguistic taxonomy of frequent errors in Persian to English translation. It also proposes the most frequent and the least frequent errors among EFL students. Translation of Persian to English makes Iranian translators confront the problems such as Orthographic errors, Phonological errors, Lexico-Semantic errors and /or Syntactico-Morphological errors. The main concern of this study would be on the Syntactico-Morphological errors. Error Analysis is a procedure used by both researchers and teachers which involves collecting samples of learner language, identifying the errors in the sample, describing these errors, classifying them according to their nature and causes, and evaluating their seriousness. The researchers conducted a translation project on 500 EFL undergraduate university students in Teaching English as a Foreign Language, Translating and English Language and Literature field of studies. Students were asked to translation 30 sentences from Persian to English. After that, the researchers tried to rank and categorize them according to Contrastive Analysis and Error Analysis. At the content and context levels, there may be several shared properties between SL and TL equivalents which are connotatively motivated while at the formal level the lexical differences can be problematic. The researchers hypothesize that in errors in use of tenses and in use of articles are the most frequent errors. On the other hand, errors the use of plural morpheme are the least ones. The research is going to help to pinpoint the potential problematic errors and provide some pedagogical guidelines for teachers, syllabus designers and test constructors.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».