Localización de videojuegos: herramientas formativas para nuevas prácticas traductivas y paratraductivas
Bibliographic record
Abstract
El ámbito de los videojuegos está viviendo su mejor momento en la actualidad, puesto que es una industria que no deja de crecer tanto en número de usuarios como de réditos económicos. Dentro de las necesidades de la industria, una de las más importantes es la localización de videojuegos, ya que es una necesidad real el tener que adaptar lingüística y culturalmente los productos de ocio electrónico a los diferentes países del mundo, con bases de usuarios cada vez más numerosas. En la presente publicación, repasaremos la percepción académica que hay en torno al concepto de localización y analizaremos las distintas ramas y aspectos que hay que tener en cuenta durante dicho proceso, ya que son numerosos los elementos traductivos y paratraductivos a tener en cuenta. Del mismo modo, es importante tener en cuenta la formación de nuevos profesionales de la localización de videojuegos, por lo que analizaremos las herramientas fundamentales que se pueden y deben aplicar al aula durante la formación de futuros profesional del ámbito, algo para lo cual se antoja fundamental una adecuada cooperación entre las universidades y las empresas desarrolladoras de videojuegos.
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.005 | 0.005 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.014 | 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".