Quelle ergonomie pour la pratique postéditrice des textes traduits ?
Bibliographic record
Abstract
Peu importe ce que l’étiquette postédition a désigné depuis 30 ans, cette pratique traductive n’a jamais fait l’objet d’études à caractère ergonomique. À ce jour, seule a importé l’efficacité mesurable de l’opération. On peut se risquer à dire que c’est là d’ailleurs l’histoire de toute l’informatisation de la traduction, qui s’est faite sans consultation des traducteurs, à de rares exceptions près. Dans l’optique de l’intégration des postéditeurs dans la chaîne de production des logiciels ou des interfaces de postédition, des études sont menées de part et d’autre de l’Atlantique pour tenter de mettre à plat l’acte réel de postédition. Nous voulons démontrer combien les recherches universitaires complètent les observations des praticiens et devraient mener à une description exhaustive des détails de l’opération.Les résultats de telles recherches, auxquelles on adjoindra l’industrie, devraient conduire à dégager une théorie de même que des pratiques exemplaires de la postédition qui, à leur tour, serviront de base à l’enseignement universitaire.
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 | 0.012 | 0.047 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.004 | 0.008 |
| Scholarly communication | 0.015 | 0.024 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.035 | 0.016 |
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".