Bibliographic record
Abstract
Depuis dix ans, le débat anime les rencontres de traducteurs : la localisation est-elle de la traduction, rajeunie par l’emploi d’outils informatiques, ou est-elle de l’informatique appliquée à des activités de traduction ? De l’informatique, certes, mais alliée à la gestion de projet, à la recherche terminologique et aux diverses variétés linguistiques, tout cela pour permettre à des utilisateurs « locaux » d’avoir des objets qui leur ressemblent, qui leur parlent leur langage. Ces outils performants, bien utilisés par des traducteurs chevronnés, allaient enfin permettre de respecter, grâce à la stylistique différentielle, par exemple, les différences culturelles et linguistiques, même au sein d’une zone unilingue comme la francophonie. Le respect des différences culturelles dans le processus de localisation, c’était ça, le rêve. C’était aussi la formation de traducteurs d’élite, à la fois traducteurs, informaticiens, gestionnaires de projet, mais aussi experts à reconnaître les différences culturelles au sein des zones linguistiques correspondant à leurs langues de travail et entre ces différentes langues; des traducteurs qui, grâce à ce bagage, allaient pouvoir obtenir une reconnaissance bien méritée et un statut social enviable. En 2009, force est de constater que la réalité est loin de ce que nous avions rêvé…
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) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.006 | 0.008 |
| Scholarly communication | 0.012 | 0.012 |
| Open science | 0.001 | 0.010 |
| Research integrity | 0.004 | 0.006 |
| Insufficient payload (model declined to judge) | 0.020 | 0.006 |
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".