La risa en palabras: estudio contrastivo de la audiodescripción en inglés y en español de cuatro comedias cinematográficas Misterio a bordo (2019), Misterio a la vista (2023), Tiempo para mí (2022) y Hombre de Toronto
Bibliographic record
Abstract
Este trabajo analiza la reexpresión de la narrativa humorística de la AD en inglés y en español de las comedias Misterio a bordo (Newacheck, 2019), Misterio a la vista (Garelick, 2023), Tiempo para mí (Hamburg, 2022) y El hombre de Toronto (Hughes, 2022). Este estudio ha revelado que la AD en comedias une lo visual y lo acústico y opera como una creación artística autónoma que reinterpreta el humor en un nuevo sistema semiótico. En la traducción audiovisual (TAV), la AD hace accesible los productos audiovisuales para personas con discapacidad visual (CocBV). El traslado de la comedia presenta desafíos únicos, pues combina códigos acústicos (sonidos, diálogos humorísticos, juegos de palabras) y códigos visuales (expresiones faciales, gestos). El propósito es describir cómo se reinterpreta el humor en estos códigos acústicos y cómo estas decisiones afectan la construcción del discurso cómico en cada idioma. Mediante un estudio de caso múltiple, se analizaron las AD en inglés y en español de estas comedias. Los resultados evidencian cinco hallazgos. Primero, la AD describe y reexpresa significados, captando ironía y otros matices del humor. Segundo, en ocasiones transgrede normas para preservar la intención cómica. Tercero, adapta elementos humorísticos visuales y auditivos para mantener la intención original del director. Cuarto, la omisión o simplificación de detalles puede alterar el efecto cómico previsto. Finalmente, se identificaron diferencias culturales y lingüísticas entre las versiones en inglés y en español, demostrando cómo el contexto influye en la representación del humor, lo que resalta la AD como un proceso creativo esencial en la comedia.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.002 |
| Meta-epidemiology (narrow) | 0.002 | 0.003 |
| Meta-epidemiology (broad) | 0.003 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.003 | 0.001 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
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; both teacher heads agree on what is shown here.
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".