How to Become a Patent Translator: Tricks and Tips – Notions of Text Genre and Ceremony to the Rescue
Notice bibliographique
Résumé
Before starting to translate patents and patent abstracts, translators – who are not discipline experts – need to be aware of the context of text genre production and the communicative purposes and intentions to make sure they are conveying the intended meaning in the accepted manner (of the typical ceremony) in order not to shock the recipient and distort the author’s original intent. This article aims to present the results of a study that analyzes both the moves of original patent abstracts in four languages (Chinese, Spanish, French and English) and four disciplines (medicine, chemistry, telecommunications, and IT) and the rhetorical value of linguistic choices (i.e., modality, verb tense, passive voice, adverbs and adjectives). The methodology used is twofold: qualitative so as to explain the text production context according to certain parameters related to text genre and give a better interpretation to the quantitative results, and quantitative so as to conduct a linguistic analysis of the patent abstracts. Text samples were chosen according to date of publication, original language and discipline, and form a corpus of 200 texts. The results appear to show that discipline does not play a major role in the linguistic choices made by the abstractors, and that boosting and hedging are both rhetorical ways to combine private intentions and collective purposes, while satisfying institutional requirements and recipients’ expectations.
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 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 | 0,001 | 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».