Las repeticiones voluntarias y reparadoras en la lengua del cine español e italiano, original y doblado
Bibliographic record
Abstract
Las repeticiones son un recurso textual-discursivo muy usual en la interacción social. En la lengua del cine, original y doblado, constituyen marcas de oralidad cuya inserción contribuye a crear diálogos cinematográficos que resulten naturales y verosímiles, próximos al hablado espontáneo. En este estudio, basándonos en corpus fílmicos, se han cotejado y comparado el número, la frecuencia de uso por minuto y la proporción de empleo global de los distintos tipos de repetición en un conjunto de películas de producción nacional españolas e italianas, diez por cada lengua. Asimismo, se han examinado las tendencias que rigen en la traducción de las diferentes clases de repetición en las versiones dobladas de estos filmes. Por último, apoyándonos en corpus lingüísticos de las dos lenguas, se ha investigado si las diferencias que se constatan entre los filmes originales y doblados de las dos culturas se corroboran en la interacción social de ambos países. Los resultados recabados dejan entrever que en la traducción para el doblaje español-italiano e italiano-español de los diferentes tipos de repetición ha influido al menos parcialmente el proceso de hibridación entre la lengua de los textos fuente, la lengua de los filmes nacionales y el hablado espontáneo de las dos culturas de destino.
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 | 0.003 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 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".