Contrastive Analysis of Translation Shifts in Lexical Repetition in Arabic-English Legal Translations
Notice bibliographique
Résumé
The study investigates some preliminary generalizations regarding the standards regulating the translation types and directions, the lexical repeatability of legal texts shifts. It also compares lexical repetition in Arabic legal texts and that of the corresponding English translation on the basis of lexical repetition type, frequency and distribution. It is a descriptive study that employed parallel corpora to compare lexical repetition in the source language (SL) text with its translation in the target language (TL) text. The research corpus consists of an Arabic legal text and its English translation. The researcher examined the different forms of shifts in the translated text, and the motivation of the translator for utilizing each translation shifts. The result proves that translation shift is an inevitable phenomenon. The various types of translation fell under three categories - avoidance of lexical repetition, retention with alteration, and addition of repetition. In the process of translation from Arabic to English, certain basic concepts cannot be replaced; and as such a translational shift (in lexical repetition) is required to appropriately convey ideas from Arabic to English. Arabic tends to use lexical repetition (LR) more than English, but for the legal texts, English uses LR as well as Arabic. The most common shift detected in this corpus is Partial shift. The results display that the roles of ‘repetition’ are not always preserved, sometimes they can be lost. Multiple translation methods were utilized by the translator. These include deletion, paraphrase, synonym and near-synonym, modulation and pronominalisation.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».