Resumen de Gendering subtitles? Evidence from a Netflix corpus

Mikołaj Deckert, Krzysztof Wołk, Jagoda Banasiak, Liliana Zatorska

• español

  Partimos de la observación de que pares de lenguas como el polaco y el inglés muestran una asimetría muy atractiva: el polaco tiene los recursos estructurales para expresar el género gramatical en los sustantivos, mientras que el inglés los deja predominantemente indeterminados. Por lo tanto, un hablante de inglés puede decir convencionalmente «I am a nurse» (soy enfermera) independientemente del género del hablante, mientras que en polaco los hablantes masculinos/femeninos/no binarios probablemente utilizarían formas variables. Esta asimetría da lugar a opciones de traducción matizadas que este artículo pretende explorar. A partir de un corpus recién compilado de subtítulos de Netflix del inglés al polaco –que asciende a 3,5 millones de palabras–, examinamos cómo los traductores emplean 113 feminativos diferentes relacionados con la ocupación. Abordamos tres preguntas principales de investigación (RQ1-RQ3). La RQ1 se refiere a la frecuencia de los feminativos relevantes en nuestro corpus. La RQ2 trata de cómo se distribuyen los femeninos en las 284 producciones analizadas en el conjunto de datos. Por último, la RQ3 aborda la relación entre la frecuencia de los feminativos en los subtítulos de Netflix y la aceptabilidad de estos feminativos, a juicio de los hablantes.

• English

  We start from the observation that language pairs like Polish and English display an intriguing asymmetry: Polish has the structural resources to express grammatical gender in nouns while English predominantly leaves these under-determined. Therefore, a speaker of English can conventionally say “I am a nurse” irrespective of the speaker’s gender, while in Polish male/female/non-binary speakers would likely use variable forms. This asymmetry leads to nuanced translation choices which this paper aims to explore. Based on a newly compiled corpus of English-to-Polish Netflix subtitles – amounting to 3.5 million words – we examine how 113 different occupation-related feminatives are deployed by translators. We address three main research questions (RQ1-RQ3). RQ1 is about the frequency of the relevant feminatives in our corpus. RQ2 deals with how the feminatives are distributed across the 284 productions analysed in the dataset. Finally, RQ3 addresses the relationship between the frequency of feminatives in Netflix subtitles and the acceptability of these feminatives, as judged by speakers.