Notice bibliographique
Résumé
The essay aims at the study of the legal terms in legal English. From the analysis of the definition, characteristics and classification of the legal terms, the essay illustrates by a lot examples translation skills of different classifications of the legal terms. The author of this essay hopes that the essay can do much help to the learners, the researchers and the legal English dictionary compilers. Key words: legal English, legal term, translation skill Resume Cette these a pour but l’etude des mots terminologiques dans l’anglais juridique. A partir de l’analyse de la definition, la differenciation et les caracteristiques, elle propose par nombreux d’exemples les moyens de traduction de differentes classifications telles que la terminologie generale, particuliere, specialisee et empruntee. L’auteur voudait fournir des moyens d’apprentissage pour des apprenants et des chercheurs dans l’apprentissage de l’anglais juridique. Mots-cles: l’anglais juridique, terminologie juridique, moyens de traduction 摘 要 本文通過對法律英語中的專門術語的概念、分類和特點進行分析，提出了對於法律英語專門術語中通用術語、特別術語、專門術語和借用術語的漢譯技巧。通過實例分析，旨在為法律英語的學習者和研究者在學 習法律英語的過程中提供一些可資借鑒的學習技巧。 關鍵詞：法律英語；專門術語；翻譯技巧
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 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,017 |
| Communication savante | 0,006 | 0,010 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».