MétaCan
Menu
Retour à la cohorte
Enregistrement W7005164005

Proper Names in the Lithuanian Translation of\nYann Martel’s <Life of Pi>

2010· article· en· W7005164005 sur OpenAlexaboutno aff

Notice bibliographique

RevueYork University Digital Library (York University) · 2010
Typearticle
Langueen
DomaineEngineering
ThématiqueMarine Biology and Environmental Chemistry
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésProper nounOnomasticsRendering (computer graphics)LithuanianGRASPToponymy
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Proper names which are rendered by various methods are found in many works of Canadian literature, \nrecently translated into Lithuanian. In this paper, I analyze one of these, Yann Martel’s . \nProper names are an important object of literary onomastics; they are important for translation \nmethodology as well. A translator should be aware of the motivation of the original text and the author’s \nidea in order to select a rendering method which reflects best the onomastic level of a piece. In fiction, it is \nnecessary to single out the names of existing places which have an established tradition in Lithuanian and \nare used in various texts (e.g., 'Kvebekas' [Quebec], 'Torontas' [Toronto]); moreover, names and family \nnames of real historical, cultural, or political personalities (e.g., 'Šekspyras' [Shakespeare], 'Bodleras' \n[Baudelaire], 'Kenedis' [Kennedy]) or real anthroponyms which are not related to a particular person \n('Džeinė' [Jane], 'ponas Raitas' [Mr. Right]) should be taken into consideration. A completely different case \noccurs with proper names created by an author. Such systems of proper names should also be reflected \nexactly in a translation. For translators of fiction texts, it is very important to grasp and properly apply the \nrules for rendering proper names in order for the original not to suffer and for a reader to easily understand \nthe sense of proper names in a text.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,125
Score d'incertitude au seuil0,249

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0050,005
Communication savante0,0030,001
Science ouverte0,0000,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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.

Tête enseignante Opus0,005
Tête enseignante GPT0,125
Écart entre enseignants0,120 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueYork University Digital Library (York University)Même sujetMarine Biology and Environmental ChemistryTravaux en français237 207