Prijevod i traduktološka analiza dijela romana "Lo mejor de ir es volver" autora Alberta Espinose
Bibliographic record
Abstract
Este trabajo aborda el tema del análisis de procedimientos de traducción propuestos por cuatro autores que se destacan en el tratamiento de esta temática: Vinay y Darbelnet (1958), Gerardo Vázquez-Ayora (1977), Mona Baker (1992) y Peter Newmark (1995). El corpus consiste en un fragmento de la obra Lo mejor de ir es volver de Albert Espinosa. El análisis muestra que, a pesar de que la mayoría de los traductores no usa conscientemente la teoría de la traducción y no la considera necesaria cuando hay que traducir un texto, los diferentes procedimientos translativos contribuyen a afrontar y resolver los problemas de traducción. Tras hacer el análisis traductológico del fragmento, no cabe duda de que el uso de diferentes procedimientos translaticios ayuda a obtener un mejor resultado final, así como a asegurar la permanencia en el texto traducido de todos los elementos culturales, textuales, estilísticos y contextuales presentes en el texto fuente. Se ha concluido que, pese a todas las unidades estructurales y estilísticas diferentes en español y croata, el conocimiento de estrategias traductológicas contribuye a conseguir buenas soluciones traductológicas y lograr el resultado final óptimo.
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 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.004 | 0.008 |
| Science and technology studies | 0.004 | 0.004 |
| Scholarly communication | 0.006 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.026 | 0.003 |
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".