Strategies Applied by Native and Non-native Translators to Transfer Persian Culture-Specific Items: A case study on an Iranian novel
Notice bibliographique
Résumé
One of the most challenging tasks for all translators is how to render culture-specific items. Transferring culture-specific terms from one culture to another and understanding them by the target audience in the target culture is dependent on having familiarity with the source cultures and traditions. The present research has been conducted in order to find firstly to what extent the strategies of translating CultureSpecific-Items applied by native and non-native translators differ from each other in terms of frequency and secondly to determine the most frequent translation strategies applied by native translator compared to non-native translator in translating culture-specific items based on Aixela's categorization. The corpus used in this study was Sadeq Hedayat’s Persian novel, The Blind Owl and its two translations. Considering the definition given by Aixela (1996) for distinguishing CSIs, almost all the CSIs applied in the original book were identified and consequently their equivalents in the two translations (one by native Persian-speaking translator and the other by non-native Persian-speaking translator) were found and categorized. At first those translated incorrectly were distinguished and removed. Then according to the theoretical framework used, Aixela's (1996), CSIs translated were classified under two major groups namely conservation and substitution and then their sub-groups. In each sub-group, some CSIs translated through that strategy were described. At the end the number and percentage of CSIs translated through each strategy were provided.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».