La technologie langagière au Secrétariat d’État du Canada : une réalité quotidienne
Bibliographic record
Abstract
Depuis le début des années 70, le Canada montre un vif intérêt pour tout ce qui touche le traitement électronique du langage. Le projet TAUM MÉTÉO et la banque de terminologie TERMWM en sont d'excellents exemples. Le Secrétariat d'État se livre maintenant à l'essai, en milieu opérationnel, de deux outils de traduction haute technologie, soit du logiciel de TAO LOGOS et du poste de travail du traducteur (PTT). Les expériences menées jusqu'à ce jour ont donné lieu à diverses évaluations techniques ainsi qu'à des études linguistiques et ergonomiques, notamment à l'établissement d'une typologie des textes pouvant se prêter au traitement machine. Le Secrétariat d'État travaille dorénavant en étroite collaboration avec la société Logos et avec le centre de recherche responsable de la conception du PTT afin d'améliorer les prototypes à la lumière des besoins et des recommandations des traducteurs. Outre les deux grands projets-pilotes susmentionnés, le Secrétariat d'État vient également de doter l'ensemble de ses 800 traducteurs de micro-ordinateurs haut de gamme et il procède actuellement à la création d'une trousse d'ouvrages électroniques. De plus, il collabore à la mise au point d'une station de travail pour terminologue appelée LATTER (L'ATelier du TERminologue), dont le premier prototype sera mis à l'essai à l'été 1992. Toutes ces entreprises tendent vers un but à long terme, soit l'intégration en un seul et même système des meilleures aides à la traduction disponibles sur le marché. C'est ainsi que le traducteur de demain pourra, de son poste de travail, communiquer directement avec son client, consulter toutes les sources de documentation et les bases de données terminologiques électroniques nécessaires, confier la traduction de certains passages à un logiciel de traduction et, le cas échéant, procéder à l'éditique de son texte. Les possibilités sont immenses dans le domaine du traitement des langues naturelles, et le Secrétariat d'État du Canada déploie des efforts soutenus afin de demeurer à la tête du peloton.
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 | 0.003 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.006 |
| Science and technology studies | 0.015 | 0.006 |
| Scholarly communication | 0.010 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 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".