Problems of Translating Legal Contracts: Perspectives of Saudi Translation Students
Notice bibliographique
Résumé
Legal translation is one of the challenging domains for translation students. In Saudi Arabia, university translation students are reported to encounter difficulties while translating legal contracts from English to Arabic and vice versa. Also, the literature shows that translation students use certain strategies to overcome these difficulties. This study attempted to examine the most common challenges/difficulties encountered by Saudi translation students when translating legal contracts and the strategies used by them to overcome such difficulties. In order to achieve these goals, the researcher used the descriptive analytical approach and used the questionnaire instrument in order to collect the data from the research sample. The population of this research consisted of all Saudi translation students in two Saudi universities, namely King Saud University and Imam Mohammad Ibn Saud Islamic University. The research population are those students who study at the English language department in each university in the fourth year whose number is (106) students. The target sample is (50%) of the research population. So, the sample size is (53) students, being selected randomly. The findings of the study showed that legal binominal expressions and parallel structure, the structure of legal sentences, the multiple negatives, and the legal text layout are the major challenges that encounter Saudi translation students when translating legal contracts. On the other hand, parallel texts, CAT tools, and Google translation have been reported as strategies used by Saudi translation students to overcome the difficulties they face when they translate legal contracts. The results of the study have important implications for translation teachers, translation syllabus designers, universities, and translation students.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,009 | 0,005 |
| Communication savante | 0,009 | 0,004 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».