Notice bibliographique
Résumé
The integration of data from statistical machine translation into translation memory suites (giving a range of TM/MT technologies) can be expected to replace fully human translation in many spheres of activity. This should bring about changes in the skill sets required of translators. With increased processing done by area experts who are not trained translators, the translator’s function can be expected to shift to linguistic postediting, without requirements for extensive area knowledge and possibly with a reduced emphasis on foreign-language expertise. This reconfiguration of the translation space must also recognize the active input roles of TM/MT databases, such that there is no longer a binary organization around a “source” and a “target”: we now have a “start text” (ST) complemented by source materials that take the shape of authorized translation memories, glossaries, terminology bases, and machine-translation feeds. In order to identify the skills required for translation work in such a space, a minimalist and “negative” approach may be adopted: first locate the most important decision-making problems resulting from the use of TM/MT, and then identify the corresponding skills to be learned. A total of ten such skills can be identified, arranged under three heads: learning to learn, learning to trust and mistrust data, and learning to revise with enhanced attention to detail. The acquisition of these skills can be favored by a pedagogy with specific desiderata for the design of suitable classroom spaces, the transversal use of TM/MT, students’ self-analyses of translation processes, and collaborative projects with area experts.
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 | 0,014 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,020 |
| Communication savante | 0,009 | 0,015 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,004 |
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 ».