The Change of One Translator's Style and Cognition: A Speech-act Report Verb Study of Allan Barr's Two Translations of Yu Hua's Works
Notice bibliographique
Résumé
This article aims to explore the changes in a translator’s style with time and translation practice. Allan Barr was selected as the research subject, considering that his five translations of famous writer Yu Hua's works lasted for 16 years. Instead of focusing on one translator's consistent stylistic features throughout all his or her translations by comparing their translations with others, this study demonstrated the shift of a translator’s style through the revised source-oriented model for the study of the style. A systematic analysis was conducted on the quantitative and qualitative data regarding the English translations for the most frequent speech-act report verbs collected from the parallel corpus. The self-established corpus comprises Barr's earlier translation of “Boy in the Twilight: Stories of the Hidden China” (Yu, 2014), which was completed in 2003. This was followed by his later translation for “The April 3rd Incident: Stories” (Yu, 2018), which was completed in 2018. Notably, Barr's understanding of style and translation ideology may change with time and translation practice, as indicated by the significant difference in the frequency of the speech-act report verbs with the same semantic meanings in ST and TT. This condition was also indicated through the distinguished motivations to change the semantic meaning of the speech-act verbs in the ST between Barr's earlier and subsequent translations. Subsequently, it was found that the method of corpus-based translator's style study can be applied to investigate how social and cognitive factors motivate a translator to change his or her translation ideology and strategies.
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 | 0,000 | 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 ».