Sources d’invalidité et d’erreur dans la traduction ou l’adaptation de tests : un état de la question
Notice bibliographique
Résumé
La traduction ou l’adaptation d’épreuves pour tenir compte de la diversité culturelle et linguistique est de plus en plus fréquente. Différents facteurs expliquent cet engouement comme les impératifs économiques ou encore la complexité de bâtir une épreuve originale. Il est nécessaire de s’assurer que ces opérations de traduction ou d’adaptation se réalisent selon une méthode rigoureuse qui tient compte des principales menaces à la validité. En effet, les concepteurs d’épreuves doivent s’assurer de réduire le plus possible les biais qui pourraient affecter les différents sous-groupes ciblés par l’épreuve à administrer. Il existe peu de ressources francophones visant à présenter les menaces à la validité dans un tel contexte. L’objectif de ce texte est d’apporter une contribution afin de faire le point sur les pièges à éviter dans un contexte de traduction ou d’adaptation.
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 | 0,166 | 0,432 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,005 | 0,043 |
| Communication savante | 0,020 | 0,032 |
| Science ouverte | 0,007 | 0,012 |
| Intégrité de la recherche | 0,009 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».