A Holistic-Componential Model for Assessing Translation Student Performance and Competency
Notice bibliographique
Résumé
Translation quality assessment (TQA) tools frequently come under attack because of the myriad variables involved in TQA: the definition, number and seriousness of errors, the purpose of the assessment, evaluator competence and reliability, the client's or end user's requirements, deadlines, complexity of the TQA model, etc. In recent years, progress in factoring in these variables and achieving greater reliability and validity has been achieved through functionalist, criterion-referenced models proposed by Colina (2008, 2009) and others for the assessment of professional translation quality, even though they have come under attack from proponents of the normative assessment model (Anckaert et al., 2008, 2009). At the same time, progress has been made in student assessment through the holistic, criterion-referenced approaches developed by education theorists Wiggins (1998) and Biggs and Tang (2007) ─ approaches that have been applied to translation by Kelly (2005). In this article, the author proposes a "holistic-componential" model for translation student assessment. Based on a combination of Colina's functionalist translation assessment model and the holistic student assessment model and drawing on definitions of professional standards applied in North America, it is designed to rectify some of the perceived shortcomings of the conventional quantitative, error-based marking schemes, those of the more "impressionistic" schemes, and even those of criterion-referenced models.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».