MétaCan
Menu
Retour à la cohorte
Enregistrement W2067366489 · doi:10.7202/1027474ar

Evidence of Parallel Processing During Translation

2014· article· en· W2067366489 sur OpenAlexvenueno aff
Laura Winther Balling, Kristian Tangsgaard Hvelplund, Annette C. Sjørup

Notice bibliographique

RevueMeta Journal des traducteurs · 2014
Typearticle
Langueen
DomaineComputer Science
ThématiqueNatural Language Processing Techniques
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésComputer scienceSource textReading (process)Natural language processingLiteral translationEye trackingCongruence (geometry)Machine translationArtificial intelligenceLinguisticsTranslation (biology)DanishTarget textExample-based machine translationPsychology

Résumé

récupéré en direct d'OpenAlex

Three eye tracking experiments test the hypothesis that translation involves parallel rather than sequential processing of the source and target texts. In Experiment 1, a group of professional translators translated texts from their native language Danish into English. The texts included both segments where the order of verb and subject was congruent between source and target text and segments that were non-congruent. Translators gazed significantly longer at the non-congruent segments of the source text, indicating that the structure of the target text is anticipated during source text reading. Two follow-up experiments on first and second language reading demonstrate that this congruence effect in translation is not the result of the non-congruent Danish segments being inherently more difficult than the congruent ones and that the effect is not a general effect in bilingual reading. We conclude that translation is a parallel process and that literal translation is likely to be a universal initial default strategy in translation. This conclusion is strengthened by the fact that all three experiments were relatively naturalistic, due to the combination of remote eye tracking and mixed-effects regression modeling.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,042
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,022

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,042
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,002
Communication savante0,0020,004
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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.

Tête enseignante Opus0,057
Tête enseignante GPT0,299
Écart entre enseignants0,243 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations56
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMeta Journal des traducteursMême sujetNatural Language Processing TechniquesTravaux en français237 207