Dificultades, estrategias y recursos en la traducción de estados financieros: fuentes normativas y textos paralelos
Bibliographic record
Abstract
A partir de la revisión bibliográfica en el ámbito de la traducción contable, el artículo analiza las necesidades de traducción que se generan en este campo de la economía, así como las principales dificultades asociadas a la transferencia de este tipo de textos y las estrategias de traducción más adecuadas para hacerles frente. Se valora la imposibilidad de utilizar equivalentes funcionales en muchos casos, debido a la coexistencia de normativas contables diferentes y a la dificultad que supone determinar las necesidades y expectativas de los usuarios de las traducciones. A continuación, se evalúa la utilidad de las fuentes normativas, así como de los textos y corpus paralelos como recursos para la extracción terminológica y la aclaración de ambigüedades en la traducción de estados financieros. Para ello, se analizan principalmente dos tipos de fuentes, las Normas Internacionales de Información Financiera (NIIF) en sus versiones original y adaptada a la UE, y una selección de estados financieros de empresas españolas, británicas y estadounidenses. Los resultados apuntan hacia la necesidad de promover la adquisición de competencias temáticas en la materia como paso imprescindible para gestionar de manera satisfactoria el proceso documental y de traducción.
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 | 0.014 | 0.078 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.006 | 0.009 |
| Science and technology studies | 0.002 | 0.006 |
| Scholarly communication | 0.010 | 0.010 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 0.002 |
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".