Analysis of the audio description of humor in the films Murder Mystery (2019), Murder Mystery 2 (2023), Me Time (2022) and The Man from Toronto (2022)
Bibliographic record
Abstract
En el mundo cinematográfico, la audiodescripción (AD) es la herramienta de la traducción audiovisual (TAV) que permite que los productos audiovisuales sean accesibles para aquellas personas con deficiencia visual o usuarios ciegos o con baja visión (CocBV). El género de comedia en los medios audiovisuales se caracteriza por apoyarse de elementos verbales –diálogos de humor, juegos de palabras– y elementos no verbales –expresiones faciales, gesticulaciones, vestuario, escenografía, sonidos– que sin descripciones auditivas detalladas puede presentarse como un desafío para los usuarios CocBV en el trasvase del humor. Este estudio tiene como objetivo general analizar la reexpresión de la narrativa audiovisual del humor a través de las AD en inglés y en español de las películas de comedia Misterio a bordo (2019), Misterio a la vista (2023), Tiempo para mí (2022) y Hombre de Toronto (2022). La investigación parte de la idea de que la AD cuenta con un propio lenguaje que permite transmitir el tono y la intención humorística en películas de comedia, por lo que reconocer los elementos y técnicas que existen en la elaboración del guion audiodescrito permite construir la narrativa humorística. El presente trabajo se sustenta en el supuesto de que la AD constituye un recurso de recreación artística que reinterpreta y adapta la narrativa humorística en las películas de comedia. A través de la AD, el humor es transformado y redefinido para reproducir su efecto en los espectadores con discapacidad visual, lo que implica decisiones estratégicas que afectan tanto los elementos verbales como no verbales de las escenas.
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 | 0.000 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.004 | 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".