La traduction d’un corpus atypique : les annuaires téléphoniques professionnels
Notice bibliographique
Résumé
Les listes sont des textes particuliers tant dans leur forme que dans leur contenu. Elles peuvent, sous certaines conditions, être traitées comme des corpus de textes constitués de phrases. Les rubriques des annuaires téléphoniques en sont des exemples riches d’informations à plusieurs titres. Leur traduction est un exercice aux exigences particulières où sont conjuguées les compétences linguistiques et la connaissance des activités économiques et professionnelles. Culturellement, elles rendent compte des manières de classifier ces activités dans un lieu précis ou une région. Le traitement de ce type de corpus n’est pas sans importance pour l’observation des phénomènes économiques. Il n’est pas négligeable de noter, en outre, qu’un examen diachronique de ce type de corpus offre une lecture des pratiques économiques et terminologiques passées et présentes d’une société. Cependant, l’examen de ce corpus ne peut s’effectuer que sur les versions papier numérisées et non sur les versions en ligne car, pour ces dernières, les catégories classificatoires ne sont pas systématiquement visibles puisque le contenu se trouve dans des bases de données électroniques qui ne sont pas accessibles directement.
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 | 0,006 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,035 | 0,012 |
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 ».