La traduction automatique neuronale : un problème de temporalité
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Pendant trs longtemps, les professionnels de la traduction -et les enseignants -ont cru que la machine ne les rattraperait jamais sur le plan de la qualit.Certes, la fin du sicle dernier, les outils d'aide la traduction avaient commenc s'implanter -non sans inquitude de la part des langagiers cependant.Mais une traduction automatique vritablement acceptable semblait encore inaccessible et il tait de bon ton de se gausser des mentions fait en dinde (made in Turkey) et autres absurdits.En 2015, l'Ordre des traducteurs, terminologues et interprtes agrs du Qubec (OTTIAQ), pour son congrs annuel, avait invit un chercheur de l'Universit de Montral oeuvrant en informatique, Philippe Langlais, prsenter une confrence sur l'tat des lieux en traduction automatique. la toute fin de sa confrence, aprs avoir dtaill les trois ges de la traduction automatique, il avait annonc, au dtour d'une petite phrase qui n'avait pas soulev de question particulire l'poque, que l'on verrait sous peu arriver la traduction neuronale , sur laquelle certains de ses collgues travaillaient assidment.Deux ans plus tard, en 2017, DeepL faisait une entre fracassante et Google Translate suivait de peu.Depuis, toute la profession, de par le monde, ainsi que les entits d'enseignement, coles de traduction et universits, subissent un bouleversement sans prcdent.Pourtant, comme l'explique le prsident de l'OTTIAQ, Donald Barab, au fil de ses
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.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle