Bibliographic record
Abstract
L’usage des technologies de l’information et des communications (TIC) en classe est maintenant bien implanté, notamment grâce aux plates-formes d’enseignement telles que WebCT, Moodle or Sakai. De plus, l’accès à une très vaste documentation est rendu possible grâce à Internet. L’enseignement de la traduction est donc susceptible de bénéficier grandement de ces avancées technologiques. Toutefois, ces ressources ont leur revers : non seulement elles nécessitent un investissement notable de l’enseignant, mais elles peuvent aussi se révéler un obstacle à l’acquisition d’un processus cognitif aussi complexe que celui de la traduction, si l’on cède à une illusion de facilité. Les étudiants risquent en effet de se perdre dans un dédale d’outils et de documents de qualité inégale. Dans le présent article, nous montrons que l’ergonomie cognitive est un facteur clé de la réussite de l’intégration des TIC. Nous plaidons pour des stratégies pédagogiques impliquant un engagement actif du professeur, tant pour transmettre les noyaux conceptuels pertinents au domaine de spécialisation considéré (formation conceptuelle), que pour baliser les ressources qui serviront de références (compétence informative). Enfin, nous soulignons que, malgré l’illusion de rapidité générée par les TIC, traduire ou réviser sont des actes qui font appel à des fonctions cognitives de haut niveau et qui nécessitent toujours temps et effort pour être pleinement maîtrisés.
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 | 0.006 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.021 |
| Scholarly communication | 0.016 | 0.020 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.008 | 0.002 |
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".