Zur korpusbasierten Erforschung von Fachübersetzungen bei der Nationalen Übersetzerprüfung in Norwegen
Notice bibliographique
Résumé
L’objectif du présent article est d’exposer un certain nombre de données provenant de l’analyse de traductions juridiques réalisées à partir du norvégien vers l’allemand et l’anglais. La méthode employée fait appel à un corpus multilingue parallèle ( TK-NHH ) qui est encore en construction. Dans un premier temps, l’examen d’agrément national des traducteurs ( Statsautorisert Translatøreksamen) de Norvège, d’où proviennent les textes, est présenté. Le modèle utilisé pour la constitution du corpus TK-NHH est ensuite exposé, et ses différentes applications sont discutées. Suit une analyse qualitative de deux problèmes particuliers de traduction juridique provenant du corpus : la traduction d’une expression modale et l’explicitation (pragmatique) des noms propres de phénomènes juridiques culturellement spécifiques. Les langues cibles pour ces exemples sont l’allemand et l’anglais. Le troisième problème de traduction envisagé concerne les problèmes terminologiques qui se posent lorsque le traducteur rencontre de nouveaux concepts existant dans une culture juridique mais absent dans l’autre. Dans ce dernier cas, seules les traductions en allemand ont été examinées. En conclusion, l’article souligne deux changements pour les travaux futurs avec le corpus TK-NHH.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».