L’intégration des relations sémantiques dans les dictionnaires spécialisés multilingues : du corpus ciblé à l’organisation des connaissances
Bibliographic record
Abstract
L’implantation d’un grand nombre de relations sémantiques (RS) dans des dictionnaires spécialisés multilingues ouvre une voie nouvelle en terminographie, facilitée par les immenses possibilités de traitement de corpus offertes par les technologies de l’information. Les outils terminologiques favorisant l’organisation des connaissances sont privilégiés par les traducteurs et les apprenants des langues de spécialité. Allant dans cette voie, cet article présente deux projets dictionnairiques exploitant les RS, l’un dans le domaine du commerce de détail et l’autre dans le domaine de la mondialisation économique. Il discute les modèles de RS, les moyens de les implanter dans des dictionnaires en ligne et les contraintes liées au choix des techniques et des logiciels. Les ouvrages présentés illustrent l’idée selon laquelle les classes de relations sémantiques peuvent servir à reproduire la structure conceptuelle d’un domaine. Si certaines classes de relations sont communes à tous les domaines (les relations de générique, spécifique, partie, tout, agent), nombre d’autres sont spécifiques au domaine. L’objectif de cet article est de montrer comment la structure sémantique du dictionnaire peut aider l’utilisateur à organiser ses connaissances et faciliter l’extraction de l’information contenue dans les fiches, en fonction de ses besoins particuliers.
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 | 0.002 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.006 | 0.008 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 0.005 |
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".