Le syndrome de Sisyphe dans la recherche en technologies langagières au Canada
Bibliographic record
Abstract
L’industrie de la traduction au Canada est caractérisée par des facteurs sociolinguistiques, politiques et historiques qui l’ont longtemps mise hors d’atteinte des fluctuations internationales de la demande en traduction. Or, ici, comme dans le reste du monde, les effectifs de traduction ne peuvent répondre à la demande croissante. Pour tailler sa place sur le marché mondial, le Canada devrait pouvoir compter sur son industrie des technologies langagières. Cependant, considérant sa position de pionnier dans les années 70 (avec des succès comme TAUM-MÉTÉO et Termium), le Canada accuse aujourd’hui un retard considérable. Nous avons voulu retracer l’histoire des technologies langagières au Canada, particulièrement celle des laboratoires de recherche fondamentale, pour mettre en lumière les défis qu’ont dû relever les chercheurs canadiens. Le mémoire comprend donc une présentation du contexte sociohistorique qui a vu naître les technologies de la traduction au Canada ainsi qu’une étude centrée sur quatre laboratoires canadiens : TAUM, CITI, RALI et CNRC/CRTL. Notre analyse révèle donc que les facteurs sociologiques, politiques et linguistiques propres au Canada ont causé des tensions, des incohérences et des dissensions qui ont considérablement ralenti la recherche fondamentale en technologies langagières au pays.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.004 | 0.009 |
| Science and technology studies | 0.023 | 0.040 |
| Scholarly communication | 0.018 | 0.006 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".