Subtitling in the Streaming Era: A Comparative Analysis of Strategies Used to Translate Cultural References into Arabic
Notice bibliographique
Résumé
In the wake of the COVID-19 pandemic and the subsequent frequent lockdowns, streaming platforms have become an essential part of people’s media consumption. Translation has played a key role in the rapid growth of these streaming services by allowing global access to different translated versions of their content. While the impact of these streaming services on the reconstruction of media production has been a reoccurring topic in media studies, their impact on translation is still relatively underresearched. With that in mind, this article aims to identify current translation tendencies by examining the translation strategies commonly used in subtitling cultural references (CRs) into Arabic on three of the primary streaming platforms (Netflix, OSN+ and Prime Video) in the Middle East and North Africa (MENA). This is particularly significant not only because most studies on cultural references focus on European languages and contexts, but also because the few studies examining Arabic subtitles are mainly focused on subtitles available on DVDs (Alfaify, 2020), fansubbing websites (Abdelaal, 2019) and satellite television (Thawabteh, 2014). Additionally—and contrary to the common practice, which tends to ignore the complex multimodal nature of the cultural references—this article examines both verbal and crossmodal cultural references and the patterns of rendering them in professional subtitles across the investigated streaming platforms.
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 | 0,002 | 0,001 |
| 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 | 0,000 |
| 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 ».