Bibliographic record
Abstract
Le texte médical est d’apparence scientifique et semble se caractériser par le recours aux termes. En réalité, la subjectivité y est omniprésente et se traduit par le recours aux mots, qui sont les véritables enjeux de la traduction. La terminologie ne pose pas de problème particulier au traducteur, toute l’information étant disponible grâce aux grandes banques de données documentaires, au multimédia en général et aux réseaux d’informateurs. Ce sont les mots qui véhiculent le vrai sens du texte et qui constituent un véritable défi pour le traducteur. Les termes, quant à eux, sont des leurres scientifiques qui cachent des objectifs qui le sont moins, comme la quête d’une reconnaissance scientifique, la course aux crédits de recherche ou le positionnement d’un laboratoire. D’autre part, le caractère impersonnel d’un texte médical spécialisé, qui en garantirait le caractère objectif, est de plus en plus contestable, à cause de l’importance qu’ont pris l’immunologie et la psychiatrie dans la médecine contemporaine. Ces dernières décennies, l’immunologie et la psychiatrie ont mis en avant une conception du patient qui prend en compte le psychologique dans l’analyse des troubles physiologiques. De la sorte, le discours médical réhabilite aussi le sujet à la première personne, même si sa présence reste latente dans le texte.
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 | 0.030 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.004 | 0.016 |
| Scholarly communication | 0.013 | 0.013 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.006 | 0.006 |
| Insufficient payload (model declined to judge) | 0.028 | 0.014 |
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".