A Holistic-Componential Model for Assessing Translation Student Performance and Competency
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle