CC BY
73
УДК 8ПЛ61.Г255
DOI: 10.15593/2224-9389/2017.2.2
М.А. Куниловская, Т. А. Ильющеня, М.А. Ковязина
Институт филологии и журналистики, Тюменский государственный университет, Тюмень, Российская Федерация
Получена: 03.06.2017 Принята: 09.06.2017 Опубликована:30.06.2017
ПЕРСПЕКТИВЫ ИССЛЕДОВАНИЯ ЛИНГВИСТИЧЕСКИХ ПРИЗНАКОВ РУССКОЯЗЫЧНОГО ПЕРЕВОДНОГО ДИСКУРСА1
Корпусное исследование нацелено на выявление количественных лингвистических отличий переводных публицистических (газетных) текстов на русском языке от оригинальных русскоязычных текстов данного стиля и их соотношение с понятием современной дескриптивной нормы перевода для газетных текстов. Поставленная цель предполагает создание и эксплуатацию (больших) сравнимых корпусов как одноязычных, так и параллельных, а также разработку методологии их сравнения и оценки достоверности полученных результатов. Исследование проводится на материале онлайнового корпуса студенческих переводов (Russian Learner Translator Corpus (RusLTC), www.rus-ltc.org). В качестве источников информации о данных в корпусе используются автоматическая синтаксическая разметка и экспертная разметка по переводческим ошибкам. Анализ переводческих ошибок служит инструментом для описания характерных негативных тенденций переводческого поведения, что имеет значение для изучения когнитивных особенностей переводческого процесса и субъективных представлений о профессиональной норме и качестве перевода. Методология исследования строится на сочетании традиционных статистических методов и методов лингвистического моделирования с экспериментальными методами, включающими машинное обучение. Их применение позволит описать особенности языкового поведения переводчиков на разных этапах формирования профессиональной компетенции и тем самым внести вклад в развитие теории переводческих универсалий для языковой пары английский-русский. В целом результаты исследования могут использоваться в системах обнаружения переводного плагиата, при конструировании систем автоматического перевода и проверки его качества, для установления направления перевода при создании параллельных корпусов путем кроулинга двуязычных интернет-ресурсов, а также внесут вклад в теоретические представления о переводе и его дидактике.
Ключевые слова: корпусное переводоведение, переводческие универсалии, дескриптивная норма, оценка качества перевода, моделирование языка, статистический метод, машинное обучение, параллельный корпус, синтаксическая разметка, разметка по ошибкам.
1 Данное исследование поддержано грантом РФФИ №17-06-00107 «Лингвистические признаки русскоязычного переводного дискурса: дескриптивные нормы и оценка качества текста (на материале газетных текстов)» (Решение бюро совета РФФИ, Протокол 4(186) от 15.03.2017 года).
M.A. Kunilovskaya, T.A. Ilyushchenya, M.A. Kovyazina
Received: 03.06.2017 Accepted: 09.06.2017 Published: 30.06.2017
Institute of Philology and Journalism, Tyumen State University, Tyumen, Russian Federation
LINGUISTIC FEATURES OF TRANSLATED RUSSIAN TEXTS: RESEARCH PROSPECTS
The research is aimed at the investigation of quantitative linguistic features of mass media texts translated from English into Russian and the comparative analysis of these features and the parameters of original Russian mass media texts. This aim is going to be realized through building and studying large comparable corpora, both monolingual and bilingual. It also includes developing special methods to compare and validate the results of the research. The study is based on online Russian Learner Translator Corpus (RusLTC, www.rus-ltc.org), incorporating automatic syntactic tagging and error-tagging. The analysis of translators' errors is a good instrument to describe the negative tendencies in translators' linguistic behavior. This, in its turn, is important for further studies of the cognitive aspect of translation and of common ideas about the professional norm and translation quality. The research methodology combines traditional statistical methods and language modelling along with experimental methods involving machine learning. The chosen methods make it possible to describe the key features of translators' linguistic behavior at different levels of their professional competence and to contribute to the theory of translation universals for English-Russian translation. The results of the research can be used to develop systems for detecting translation plagiarism, systems for machine translation and its quality evaluation, to state the translation direction when building parallel corpora by crawling bilingual Internet pages. They also add to theoretical understanding of translation process as well as translation teaching process.
Keywords: corpus translation studies, translation universals, descriptive norm, translation quality assessment, language modelling, statistical method, machine learning, parallel corpus, syntactic tagging, error-tagging.
Данное исследование относится к области корпусного переводоведения и автоматического анализа языка и совмещает применение традиционных корпусных методов анализа материала с обращением к методам анализа данных на основе машинного обучения.
Основной целью исследования является определение круга лингвистических параметров, наиболее эффективно описывающих отличия русскоязычных переводных текстов от непереводов как с точки зрения автоматической оценки их качества, так и с точки зрения объяснения когнитивных особенностей переводческой деятельности. На основе сравнения учебных и профессиональных переводов предлагается установить количественные критерии приемлемости перевода газетного текста и тем самым описать действующую дескриптивную норму перевода. Кроме того, сопоставление учебных и профессиональных переводов поможет подойти к эмпирическому определению профессионального перевода и оценке качества перевода как относительно этой нормы, так и относительно характеристик непереводного текста на русском языке.
Корпусное переводоведение и контрастивный анализ языков зачастую предполагают использование параллельных корпусов, что представляет собой дополнительную трудность ввиду неразработанности методов и отсутствия доступных параллельных корпусных ресурсов [1]. В связи с последним актуальным представляется создание качественного общедоступного полнофункционального параллельного корпуса с русским языком в составе переводческой пары.
Предлагаемое исследование основывается на теории переводческих универсалий - ведущем направлении корпусного переводоведения - и предполагает применение результатов в области описания и оценки качества текста, а также в дидактике перевода.
Указанная теория сформировалась в результате развития дескриптивных и социокультурологических идей в переводоведении, состоящих в изучении переводов как таковых, в отрыве от их традиционного сравнения с оригиналом на предмет эквивалентности. Г. Тури [2] рассматривает переводы как особую категорию текстов на языке перевода, оказывающих немалое влияние на принимающую культуру и формирующихся под воздействием широкого круга социокультурных факторов, начиная с издательской политики и заканчивая особенностями действующей нормы перевода, характеризующейся, например, той или иной степенью толерантности к интерференции.
Другой основой теории переводческих универсалий является представление о «переводческом языке», который традиционно является предметом критики и прескриптивных суждений. С развитием корпусной лингвистики у переводоведов появилась возможность объективно описать особенности «переводческого языка», причем М. Йеллерстам [3], которому приписывают первые исследования такого плана, настаивал, что в рамках корпусного подхода термин "1хап81а1;юпе8е" (переводческий язык) следует использовать без обычных для него негативных коннотаций, как обозначение особого диалекта, варианта языка перевода.
Под переводческими универсалиями понимают такие лингвистические свойства переводных текстов, которые отличают их от непереводов независимо от языковой пары [4, с. 243]. Наиболее исследованными и эмпирически подтвержденными на материале многих языковых пар универсалиями являются следующие:
• симплификация - свойство переводных текстов быть структурно и лексически проще, чем сравнимые непереводные тексты; см., например, работы С. Лавиозы [5], М. Олохан [6], И. Илисей и др. [7];
• экспликация/эксплиситация - тенденция явно выражать подразумеваемое, вводить пояснения [8];
• нормализация - тенденция преувеличивать типичные черты языка перевода, что приводит к большей однообразности переводов [9; 10];
• интерференция - тенденция воспроизводить характерные структурные особенности текста и даже языка оригинала [11; 12].
В связи с признаваемой недостаточностью исследований в этой области и зачастую невозможностью сравнить результаты исследований, проведенных на разном языковом материале разными методами, многие исследователи предпочитают использовать термины «закономерности перевода» или «тенденции в переводческой деятельности» и говорят о гипотетическом характере этих явлений, требующих эмпирического подтверждения или опровержения на материале большого количества языковых пар [13]. На материале русского языка, в отличие от английского, итальянского, финского, испанского, польского, чешского, немецкого, подобные исследования единичны (см., например, диссертационное исследование Е.С. Краснопеевой [14], а также исследования русского языка как языка перевода, проводимые за рубежом [15]). В связи с этим представляется, что предлагаемый исследовательский проект позволит внести вклад в развитие указанной теории на материале русского языка - одного из основных мировых языков с богатой переводческой традицией.
В целом в переводоведческой литературе корпусного направления используются самые разнообразные индикаторы переводческих универсалий, однако чаще всего используются текстовые и лексические параметры, такие как показатели лексического разнообразия и информационной плотности текста, длина и сложность предложения, чрезмерное или недостаточное использование определенных единиц (особенно функциональных), а также коллокаци-онные особенности переводческого языка, описанные, например, в работе С. Бернардини [16]. Если взглянуть на таблицы, обобщающие предложенные в специальной литературе индикаторы и формальные операторы соответствующих гипотез [17], станет очевидно, что лингвистически интересным синтаксическим и особенно дискурсивным аспектам переводческого языка уделяется меньше внимания. С одной стороны, это связано с трудностями надежного извлечения соответствующих операторов ввиду отсутствия или низкого качества доступных инструментов и референтных ресурсов, а с другой - с эффективностью более поверхностных лингвистических свойств для, например, успешного решения задачи автоматической идентификации переводов, которая часто ставится в связи с изучением переводов корпусными методами.
Вместе с тем целью настоящего исследования является не классификация текстов на переводы и непереводы, а извлечение лингвистически объяснимых характеристик переводов, коррелирующих с наблюдаемым качеством текстов. Мы исходим из необходимости учитывать при ранжировании и оценке переводов такие характеристики, как порядок слов и членов предложения, (а)типичная структура дискурса и виды и частотность средств реализации его связности. Таким образом, мы планируем сократить текущий разрыв в исследованиях между: а) легко автоматизируемыми, но малопригод-
ными в обучении переводчиков чертами переводов и б) теми его признаками более высокого порядка, которые чаще всего описываются и теоретически обосновываются в переводоведческой литературе (особенно дидактической) и, возможно, являются ориентирами для экспертной оценки естественности переводов с точки зрения принимающего языка и культуры.
В последнее время в компьютерной лингвистике и корпусном перево-доведении начинают эффективно применяться методы машинного обучения и анализа данных. Первое успешное применение статистических моделей в рамках машинного обучения для выявления переводных текстов и определения их наиболее явных лингвистических отличий от непереводов проведено М. Барони и С. Бернардини [18; 16]. Они продемонстрировали, что компьютерный алгоритм, применяемый к текстам, представленным как векторы формальных признаков (словоформы, части речи и леммы), различает высококачественные художественные переводы на итальянский и художественную прозу, изначально написанную на этом языке, более эффективно, чем люди-участники эксперимента. Эффективность данной технологии для решения практических задач автоматического анализа переводов оказалась настолько высокой, что уже через шесть лет заговорили о наметившейся в корпусном переводоведении смене методологической парадигмы [19].
В современной отечественной лингвистике вообще и в переводоведении особенно подобные подходы к изучению языка используются не так широко, как в мировой практике, а корпусные исследования русскоязычных переводов относительно редки. Настоящее исследование методологически предполагается в рамках новой парадигмы научного знания, еще только получающей распространение в России. Кроме того, планируется применять методы машинного обучения и анализа данных в интересах развития переводоведения, которое традиционно носит прикладной и прескриптивный характер.
Действительно, в настоящее время машинное обучение широко и активно применяется как для проверки существующих гипотез о переводческих универсалиях, так и для получения совершенно новой информации о типичных признаках переводов. Исследования, проведенные в духе М. Барони и С. Бернардини, подтверждают, что наиболее надежными признаками переводческого языка (для решения задачи бинарной классификации) являются формальные и грамматические признаки, частотность функциональных слов, а для корпусов, сравнимых по тематике, надежными оказываются и лексические репрезентации (словоформы или леммы). Более того, М. Попеску показывает, что можно использовать даже 5-граммные сочетания знаков, если из пространства признаков исключить сочетания, строго характерные для переводов, такие как, например, иностранные собственные имена [20].
Перспективным нам представляется использование полных частеречных «-грамм, построенных на синтаксически размеченном тексте. Этот подход был
успешно применен к переводам на финский в работе В. Лаиппала и др. [21]. Интересен подход к определению переводов на основе задачи кластеризации (а не классификации) текстов, предложенный С. Нисиои и Л.П. Дину [22]. На материале оригиналов и переводов романов В. Набокова они экспериментально строят список наиболее частотных функциональных слов в русскоязычной части корпуса, включающий 94 единицы. В этой работе показано, что частотное распределение функциональных слов - это не только признак авторского стиля, но и надежный показатель переводного текста. И, наконец, в работе М. Коппел и Н. Ордан [23] ставится задача категоризации переводов с разных языков на английский с целью изучения интерференции. Для определения выраженности признаков переводческого языка в зависимости от языка оригинала алгоритм, обученный на переводах с одного языка, тестирируется на переводах с другого. Из результатов исследования следует, что, несмотря на существенную зависимость свойств перевода от языка оригинала, все переводы разделяют свою противопоставленность сравнимым не-переводам. Применение алгоритма, обученного на одном корпусе, к другому корпусу и изучение ошибок модели - интересный прием изучения различий между корпусами, позволяющий учесть множество контекстуальных условий реализации того или иного языкового явления. Это один из способов проведения многофакторного анализа, метода, рекомендуемого для изучения подъязыков, диалектов, особенностей формирования иноязычной компетенции, а также переводческого языка [24].
Как показывает проведенный анализ современного состояния исследований в области корпусного переводоведения, к наименее освещенным аспектам относятся следующие:
1) работа с множественными переводами как источником данных о вариативности переводческого поведения;
2) использование разметки по переводческим ошибкам в целях извлечения информации о переводческих решениях, обычно признаваемых менее приемлемыми;
3) применение машинного обучения не только для проверки гипотез, но и для их построения, а также для расчета статистической модели оценки качества текста.
К настоящему моменту в рамках данного исследования было решено несколько задач.
Во-первых, разработан и собран множественный параллельный корпус учебных переводов на русском языке (ЯшЬТС) [25]. Он является уникальным в мире как по факту включенности русского языка, так и по объему доступного материала [26].
Во-вторых, разработана система разметки переводческих ошибок и оценки качества перевода на основе статистики ошибок, а также проведены эксперименты по оценке надежности данной разметки и согласованности решений экспертов в сравнении с другими подходами к оценке качества перевода [27]. Объ-
ем размеченного по ошибкам подкорпуса составляет 456 переводов, в тексты подкорпуса внесено около 10 тысяч тегов, включая комментарии.
В-третьих, методы корпусной лингвистики впервые комплексно применены для описания особенностей рускоязычных переводов художественной литературы [14].
В-четвертых, получены предварительные результаты сравнения учебных переводов с референтным непереводным корпусом, а также с профессиональными переводами [28].
В-пятых, проведено исследование с применением методов машинного обучения и многофакторного анализа для выявления особенностей переводного текста [29].
Таким образом, настоящее исследование опирается на теорию и значительный практический опыт в области идентификации закономерностей языкового поведения в ситуации перевода на основе сравнительно-сопоставительных корпусных исследований, а его промежуточные результаты и дальнейшие перспективы логично вписываются в текущую исследовательскую повестку.
Список литературы
1. Mikhailov M., Cooper R. Corpus Linguistics for Translation and Contrastive Studies: A Guide for Research. - Routledge, 2016.
2. Toury G. Descriptive Translation Studies - and beyond - Amsterdam, New York: John Benjamins Publishing Company, 1995.
3. Gellerstam M. Translationese in Swedish novels translated from English // Lars Wollin, Hans Lindquist (ed.) Translation Studies in Scandinavia. - Lund, 1986. - P. 88-95.
4. Baker M. Corpus Linguistics and Translation Studies: Implications and Applications // Text and Technology: In honour of John Sinclair. - 1993. - Vol. 64. - P. 232-250.
5. Laviosa S. Core Patterns of Lexical Use in a Comparable Corpus of English Narrative Prose // Meta. - 1998. - Vol. 43 - P. 557-570.
6. Olohan M. Spelling out the optionals in translation: a corpus study // UCREL Technical Papers 13. - 2001. - P. 423-432.
7. Identification of translationese: A machine learning approach / I. Ilisei [et al.] // Proceedings of the 11th International Conference on Intelligent Text Processing and Computational Linguistics (CICLing 2010). - Springer Heidelberg, March 2010. - P. 503-511.
8. Kamenicka R. Defining explicitation in translation // Sbornik Praci Filozoficke Fakulty Brnenske Univerzity, Rada Anglisticka. Brno Studies in English, 33. - Brno, 2007. -P. 45-57.
9. Kenny D. Lexis and Creativity in Translation: A Corpus-Based Study. - Manchester: St. Jerome Publishing, 2001.
10. Translation universals: do they exist? A corpus-based NLP study of convergence and simplification / G.C. Pastor [et al.] // Proceedings of the 8th Conference of the Association for Machine Translation in the Americas (AMTA). - Waikiki, Hawaii, 2008. - P. 21-25.
11. Mauranen A. Corpora, universals and interference // Translation universals: Do they exist? - Amsterdam: J. Benjamins, 2004. - P. 65-82.
12. Dai G., Xiao R. "SL Shining Through" in Translational Language: A Corpus-based Study of Chinese Translation of English Passives // Translation Quarterly. - 2011. -Iss. 62. - P. 85-108.
13. Lapshinova-Koltunski E. Variation in translation: Evidence from corpora // New directions in corpus-based translation studies / C. Fantinuoli, F. Zanettin (eds.). - Berlin: Language Science Press, 2015. - P. 93-114.
14. Краснопеева Е.С. Лексические особенности русскоязычного переводного дискурса: корпусное сравнительно-сопоставительное исследование на материале современной художественной прозы: автореферат дис. ... канд. филол. наук. - Тюмень, 2016.
15. Alekseyenko N.V. A corpus-based study of theme and thematic progression in English and Russian non-translated texts and in Russian translated texts. Doctoral thesis. -Kent State University, 2013.
16. Bernardini S. Collocations in Translated Language: Combining Parallel, Comparable and Reference Corpora [Электронный ресурс]. - URL: http://www.birmingham.ac.uk/ documents/college-artslaw/corpus/conference-archives/2007/15Paper.pdf (дата обращения: 7.03.2014).
17. Zanettin F. Corpus methods for descriptive translation studies // Procedia-Social and Behavioral Sciences. - 2013. - Iss. 95. - P. 20-32.
18. Bernardini S., Baroni M. Spotting translationese: A corpus-driven approach using support vector machines [Электронный ресурс]. - URL: http://www.birmingham.ac.uk/Doc-uments/college-artslaw/corpus/conference-archives/2005-journal/ContrastiveCorpusLinguis-tics/spottingtranslationese.doc (дата обращения: 1.06.2016).
19. Ilisei I. A Machine Learning Approach to the Identification of Translational Language: An Inquiry into Translationese Learning Models. - Wolverhampton: University of Wolverhampton, 2012.
20. Popescu M. Studying Translationese at the Character Level // Proceedings of RANLP. - 2011. - P. 634-639.
21. Towards the Classification of the Finnish Internet Parsebank: Detecting Translations and Informality / V. Laippala [et al.] // Proceedings of the 20th Nordic Conference of Computational Linguistics, NODALIDA 2015; May 11-13, 2015, Vilnius, Lithuania. -Vilnius: Linkoping University Electronic Press, 2015. - P. 107-116.
22. Nisioi S., Dinu L.P. A clustering approach for translationese identification // Proceedings of RANLP. - 2013. - P. 532-538.
23. Koppel M., Ordan N. Translationese and its dialects // Proceedings of the 49th Annual Meeting of the Association for Computational Linguistics: Human Language Technologies. - 2011. - Vol. 1. - P. 1318-1326.
24. Gries S., Deshors S. (2014). Using regressions to explore deviations between corpus data and a standard target: two suggestions // Corpora. - 2014. - Vol. 9(1). - P. 109-136.
25. Russian Learner Translator Corpus [Электронный ресурс]. - URL: http://rus-ltc.org (дата обращения: 16.04.2017).
26. Kutuzov A., Kunilovskaya M. Russian learner translator corpus: design, research potential and applications // International Conference on Text, Speech, and Dialogue. - Springer International Publishing, 2014. - P. 315-323.
27. Ильющеня Т.А, Куниловская М.А. Надежность результатов описания и оценки качества учебного письменного перевода // Экология перевода: перспективы междисциплинарных исследований: материалы I Междунар. науч.-практ. конф.; г. Тюмень, 4-5 октября 2013 г. - Тюмень, 2013. - С. 105-115.
28. Kunilovskaya M., Morgoun N., Pariy A. Learner vs. Professional Translations into Russian: Lexical Profiles // Translation and Interpreting. - 2017. - Vol. 10, No. 2 (in print).
29. Kunilovskaya M., Kutuzov A. A quantitative study of translational Russian (based on а translational learner corpus) // Corpus Linguistics 2015: Proceedings of 7th International Conference. - St. Petersburg, 2015. - P. 33-40.
References
1. Mikhailov M., Cooper R. Corpus linguistics for translation and contrastive studies: A guide for research. Routledge, 2016.
2. Toury G. Descriptive translation studies - and beyond. Amsterdam, New York, John Benjamins Publishing Company, 1995.
3. Gellerstam M. Translationese in Swedish novels translated from English. Eds. L. Wollin, H. Lindquist. Translation Studies in Scandinavia, Lund, 1986, pp. 88-95.
4. Baker M. Corpus linguistics and translation studies: Implications and applications. Text and technology: In honour of John Sinclair, 1993, vol. 64, pp. 232-250.
5. Laviosa S. Core patterns of lexical use in a comparable corpus of english narrative prose. Meta, 1998, Vol. 43, pp. 557-570.
6. Olohan M. Spelling out the optionals in translation: A corpus study. UCREL Technical Papers, no. 13, 2001, pp. 423-432.
7. Ilisei I. et al. Identification of translationese: A machine learning approach. CICLing 2010. Proceedings of the 11th International Conference on intelligent Text Processing and Computational Linguistics. Springer Heidelberg, March 2010, pp. 503-511.
8. Kamenicka R. Defining explicitation in translation. Sbornik Praci Filozoficke Fakulty Brnenske Univerzity, Rada Anglisticka. Brno Studies in English, no. 33. Brno, 2007, pp. 45-57.
9. Kenny D. Lexis and creativity in translation: A corpus-based study. Manchester, St. Jerome Publishing, 2001.
10. Pastor G.C. et al. Translation universals: do they exist? A corpus-based NLP study of convergence and simplification. Proceedings of the 8th Conference of the Association for Machine Translation in the Americas (AMTA). Waikiki, Hawaii, 2008, pp. 21-25.
11. Mauranen A. Corpora, universals and interference. Translation universals: Do they exist? Amsterdam, J. Benjamins, 2004, pp. 65-82.
12. Dai G., Xiao R. "SL Shining Through" in translational language: A corpus-based study of Chinese translation of English passives. Translation Quarterly, 2011, iss. 62, pp. 85-108.
13. Lapshinova-Koltunski E. Variation in translation: Evidence from corpora. New directions in corpus-based translation studies. Eds. C. Fantinuoli, F. Zanettin. Berlin, Language Science Press, 2015, pp. 93-114.
14. Krasnopeeva E.S. Leksicheskie osobennosti russkoiazychnogo perevodnogo diskursa: korpusnoe sravnitel'no-sopostavitel'noe issledovanie na materiale sovremennoi
khudozhestvennoi prozy [Lexical features of the Russian translated discourse: A corpus-based comparative study of contemporary narrative prose]. Abstract of Ph. D. thesis. Tiumen', 2016.
15. Alekseyenko N.V. A corpus-based study of theme and thematic progression in English and Russian non-translated texts and in Russian translated texts. Doctoral thesis. Kent State University, 2013.
16. Bernardini S. Collocations in translated language: Combining parallel, comparable and reference corpora, available at: http://www.birmingham.ac.uk/documents/college-artslaw/corpus/conference-archives/2007/15Paper.pdf (accessed 07 March 2014).
17. Zanettin F. Corpus methods for descriptive translation studies. Procedía - Social and Behavioral Sciences, 2013, iss. 95, pp. 20-32.
18. Bernardini S., Baroni M. Spotting translationese: A corpus-driven approach using support vector machines, available at: http://www.birmingham.ac.uk/Doc-uments/college-artslaw/corpus/conference-archives/2005-
journal/ContrastiveCorpusLinguis-tics/spottingtranslationese.doc (accessed 01 June 2016).
19. Ilisei I. A machine learning approach to the identification of translational language: An inquiry into translationese learning models. Wolverhampton, University of Wol-verhampton, 2012.
20. Popescu M. Studying translationese at the character level. Proceedings of RANLP, 2011, pp. 634-639.
21. Laippala V. et al. Towards the classification of the Finnish Internet parsebank: Detecting translations and informality. NODALIDA 2015. Proceedings of the 20th Nordic Conference of Computational Linguistics, 11-13 May 2015, Vilnius, Lithuania, Linkoping University Electronic Press, 2015, pp. 107-116.
22. Nisioi S., Dinu L.P. A clustering approach for translationese identification. Proceedings of RANLP, 2013, pp. 532-538.
23. Koppel M., Ordan N. Translationese and its dialects. Human language technologies Proceedings of the 49th Annual Meeting of The Association for Computational Linguistics, 2011, vol. 1, pp. 1318-1326.
24. Gries S., Deshors S. Using regressions to explore deviations between corpus data and a standard target: two suggestions. Corpora, 2014, vol. 9(1), pp. 109-136.
25. Russian Learner Translator Corpus, available at: http://rus-ltc.org (accessed 16 April 2017).
26. Kutuzov A., Kunilovskaya M. Russian learner translator corpus: Design, research potential and applications. Proceedings of the International Conference on Text, Speech, and Dialogue. Springer International Publishing, 2014, pp. 315-323.
27. Il'iushchenia T.A, Kunilovskaia M.A. Nadezhnost' rezul'tatov opisaniia i otsenki kachestva uchebnogo pis'mennogo perevoda [Inter-rater reliability in student translation evaluation]. Ekologiia perevoda: perspektivy mezhdistsiplinarnykh issledovanii: materialy IMezhdunarodnoi nauchno-prakticheskoi konferentsii [Translation ecology: Prospects of Interdisciplinary Research. Proceedings of the 1st Scientific and Practical Conference]. 4-5 October 2013, Tiumen', pp. 105-115.
28. Kunilovskaya M., Morgoun N., Pariy A. Learner vs. professional translations into Russian: Lexical profiles. Translation and interpreting, 2017, vol. 10, no. 2 (unpublished).
29. Kunilovskaya M., Kutuzov A. A quantitative study of translational Russian (based on a translational learner corpus). Corpus Linguistics 2015. Proceedings of the 7th International Conference. Saint-Petersburg, 2015, pp. 33-40.
Сведения об авторах
КУНИЛОВСКАЯ Мария Анатольевна
e-mail: mkunilovskaya@gmail.com
Кандидат филологических наук, доцент кафедры английской филологии и перевода, Институт филологии и журналистики, Тюменский государственный университет (Тюмень, Российская Федерация)
ИЛЬЮЩЕНЯ Татьяна Анатольевна
e-mail: tatyana1223@mail.ru
Кандидат филологических наук, доцент кафедры английской филологии и перевода, Институт филологии и журналистики, Тюменский государственный университет (Тюмень, Российская Федерация)
КОВЯЗИНА Марина Анатольевна
e-mail: makovyazina@mail.ru
Кандидат филологических наук, доцент кафедры английской филологии и перевода, Институт филологии и журналистики, Тюменский государственный университет (Тюмень, Российская Федерация)
About the authors
Mariya A. KUNILOVSKAYA
e-mail: mkunilovskaya@gmail.com
Candidate of Philological Sciences, Associate Professor, Department of English Philology and Translation, Institute of Philology and Journalism, Tyumen State University (Tyumen, Russian Federation)
Tatyana A. ILYUSHCHENYA
e-mail: tatyana1223@mail.ru
Candidate of Philological Sciences, Associate Professor, Department of English Philology and Translation, Institute of Philology and Journalism, Tyumen State University (Tyumen, Russian Federation)
Marina A. KOVYAZINA
e-mail: makovyazina@mail.ru
Candidate of Philological Sciences, Associate Professor, Department of English Philology and Translation, Institute of Philology and Journalism, Tyumen State University (Tyumen, Russian Federation)
