Quality of Translation and Challenges of the New Millennium: Facts and Ethics
Bibliographic record
Abstract
En nuestra época, marcada por la globalización y por los cambios \ndrásticos que se han producido en todos los aspectos de la vida, la \ntraducción de y hacia las lenguas internacionales se ha convertido \nen un reto diario al que se enfrentan los traductores del mundo \nentero. Estos retos dependen del tipo de traducción, de la lengua \nde llegada y de la lengua de partida así como del productor del \ntexto y del receptor. Durante la primera guerra del Golfo, la \nmayoría de la gente se informaba leyendo la prensa y viendo \nciertas cadenas de televisión, como por ejemplo la ABC (American \nBroadcasting Company), CBC (Canadian Broadcasting \nCorporation), NBC (National Broadcasting Commission) y la CNN \n(Cable News Network). Durante la tercera guerra del Golfo, \nsurgieron nuevas fuentes de información. Gracias a Internet, que \nnació un año después de la segunda guerra del Golfo (1991), el \nacceso a la información se hizo más fácil y rápido. Las noticias \nempezaron a obtenerse mediante la televisión, la radio y el \nordenador. Todo ello coincidió con un enorme impulso de la \ndemanda de traducciones del árabe al inglés y viceversa. Al \nYazira, con sede en Qatar, y Al Arabiya, con sede en Dubai, \nemitieron varios informes que sirvieron de apoyo a la prensa \noccidental. La traducción del inglés al árabe fue un reto que estas \nestaciones superaron con éxito al captar la atención tanto de \ntelespectadores árabes como no árabes. En tiempos de guerra, se \nhace muy necesaria la traducción de discursos políticos orales y \nescritos. Este estudio versa sobre la calidad de la traducción \ndurante las tres guerras del Golfo (1990-2003) y plantea las \nsiguientes preguntas: 1) ¿A qué problemas se enfrentan los \ntraductores de discursos políticos en tiempos de guerra al \nconvertirlos del árabe al inglés y viceversa? 2) ¿Qué papel \ndesempeña la tecnología de la información en el proceso de \ntraducción? 3) ¿Cómo mejorar la calidad de la traducción de textos \npolíticos para que las partes implicadas en el conflicto se \nentiendan mejor?
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 | 0.042 | 0.071 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.010 | 0.069 |
| Scholarly communication | 0.026 | 0.027 |
| Open science | 0.002 | 0.013 |
| Research integrity | 0.011 | 0.012 |
| Insufficient payload (model declined to judge) | 0.005 | 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".