Discourse Presentation as an Index of Style: A Comparative Corpus Stylistic Analysis of Self and Other Translators
Notice bibliographique
Résumé
This study aims to explore the style of other and self-translators in comparison with non-translated texts, assuming discourse presentation as an indicator of style. Theoretically, other and self-translators are considered different in their translation style. The reason is that self-translators enjoy more liberty and authority over the source text as compared to other-translators (Bozkurt, 2014; Cordingley, 2013). However, practically, previous studies have explored either the style of self-translators (Ehrlich, 2009) or other-translators (Saldanha, 2011). None of the studies has provided a comparison among these types. The current study is a pioneer in establishing general styles of self and other-translators. It explores three categories of literary texts i.e., by self-translators, other-translators and by Pakistani writers. Each category further comprises of three representative texts. They are, then, processed through AntConc 3.4.4 and tagged manually. The model of speech, writing and thought presentation proposed by Semino & Short (2004) based on Leech & Short’s (1981) model is used, as it encompasses all the presentation techniques employed in literary texts. Frequencies acquired through tagging are then normalized and results are presented in the form of graphs. Findings of the research reveal that both other and self-translators are character-oriented in their style. However, other-translators are more objective and reader-oriented with less interference from the narrator. In contrast, self-translators are more subjective with more intervention from the narrator. These results are significant for further researches concerning self and other-translators.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».