Cognitive effort in direct and inverse translation performance: Insight from eye-tracking technology
Bibliographic record
Abstract
http://dx.doi.org/10.5007/2175-7968.2016v36n3p60O presente estudo de caso analisou o desempenho tradução de quatro tradutores profissionais com o objetivo de explorar o esforço cognitivo envolvido durante a tradução direta e a inversa. Quatro tradutores profissionais traduziram dois textos comparáveis do inglês para o espanhol e do espanhol para o inglês. A tecnologia de rastreamento ocular foi usada para analisar o tempo total gasto em cada tarefa, o tempo de fixação, e o tempo médio de fixação. A contagem de fixação em três áreas de interesse foi medida e inclui: a) o texto de partida, b) o texto de chegada e c) o navegador de internet, usado como apoio externo. Os resultados sugerem que, embora o tempo total e contagem de fixação sejam indicadores de esforço cognitivo durante as tarefas, os dados da contagem de fixação nas áreas de interesse mostram que mais esforço foi alocado ao texto de partida em ambas as tarefas. De maneira geral, este estudo demonstra que, enquanto as variáveis tradicionalmente usadas para aferir níveis de dificuldades durante uma tradução (e.g., o tempo total) indicam um maior esforço na tarefa de tradução inversa, os dados de rastreamento ocular sugerem que as diferenças no esforço aplicado em ambas as direções devem ser cuidadosamente analisadas, sobretudo em relação às áreas de interesse.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.018 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".