ANÁLISE TRADUTÓRIA DA PREPOSIÇÃO CHINESA “BA” PARA O PORTUGUÊS COM BASE NUM CORPUS PARALELO
Bibliographic record
Abstract
No presente trabalho, pretende-se descrever e analisar como é traduzida a preposição chinesa “ba” para a língua portuguesa. A preposição “ba” costuma combinar com a parte posposta, apresentando uma estrutura muito frequente no chinês moderno, na qual o objeto se coloca antes do verbo regente. A dificuldade de encontrar a sua correspondência em outras línguas constitui o motivo deste trabalho. A fim de verificar as tendências possíveis da sua conversão na tradução portuguesa, recorre-se a um corpus paralelo constituído por textos bilingues, sendo o chinês língua-fonte e o português língua-alvo. Através da análise dos exemplos constantes no corpus relativamente ao uso desta preposição, procura-se sintetizar as orientações da sua tradução para português. Em termos mais concretos, esta análise aborda o tema numa perspetiva tanto sintática como lexical, concentrando-se nas mudanças possíveis na tradução, assim como nos seus motivos. Sendo um paradigma novo na área tradutória, o estudo tradutológico com base em corpora pode oferecer muitas vantagens para que os tradutores em formação dominem com mais facilidade a relação correspondente nos níveis lexicais e frasais entre línguas diferentes e as correspondentes estratégias e métodos a mobilizar na tradução.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.005 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.021 | 0.006 |
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".