The Application of Argumentation Theory to Translation Quality Assessment
Notice bibliographique
Résumé
Translation quality assessment (TQA) models may be divided into two main types: (1) models with a quantitative dimension, such as SEPT (1979) and Sical (1986), and (2) non-quantitative, textological models, such as Nord (1991) and House (1997). Because it tends to focus on microtextual (sampling, subsentence) analysis and error counts, Type 1 suffers from some major shortcomings. First, because of time constraints, it cannot assess, except on the basis of statistical probabilities, the acceptability of the content of the translation as a whole. Second, the microtextual analysis inevitably hinders any serious assessment of the content macrostructure of the translation. Third, the establishment of an acceptability threshold based on a specific number of errors is vulnerable to criticism both theoretically and in the marketplace. Type 2 cannot offer a cogent acceptability threshold either, precisely because it does not propose error weighting and quantification for individual texts. What is needed is an approach that combines the quantitative and textological dimensions, along the lines proposed by Bensoussan and Rosenhouse (1990) and Larose (1987, 1998). This article outlines a project aimed at making further progress in this direction through the application of argumentation theory to instrumental translations.
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 | 0,075 | 0,147 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,015 | 0,009 |
| Études des sciences et des technologies | 0,004 | 0,028 |
| Communication savante | 0,014 | 0,019 |
| Science ouverte | 0,004 | 0,008 |
| Intégrité de la recherche | 0,006 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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.
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 ».