Les problèmes linguistiques de la traduction automatique des prédicats nominaux entre l’arabe et le français
Bibliographic record
Abstract
Cet exposé part de l’idée que l’opération de traduction des constructions à prédicats nominaux est une mise en relation d’équivalence entre leurs schémas d’arguments respectifs en L1 et L2. Ceci revient à faire des descriptions linguistiques exhaustives et détaillées des éléments concernés. Ainsi, nous essayerons de montrer que l’élaboration des dictionnaires des équivalents – à partir d’une première grille proposée par Gaston Gross – doit nécessairement prendre en compte les spécificités des deux langues. Pour l’arabe par exemple, il est nécessaire d’inclure les informations relatives aux compatibilités entre un nom prédicatif et les verbes supports qu’il sélectionne, le degré d’appropriation de ceux-ci, ainsi que les propriétés morphologiques du prédicat et leur impact sur les reformulations par paraphrase. Ce dernier point relève d’une des spécificités de l’arabe, à savoir le fonctionnement du système de dérivation qui met en relation une multitude de formes à partir d’une seule matière consonantique.
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 | 0.007 | 0.013 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.007 |
| Scholarly communication | 0.007 | 0.007 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 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".