Bibliographic record
Abstract
Le Canada est un pays officiellement bilingue, en ce sens que la communication qui émane de son gouvernement central se fait dans les deux langues officielles, l’anglais et le français. Cependant, les gouvernements des provinces canadiennes sont unilingues, à une exception près (la province du Nouveau-Brunswick est officiellement bilingue). Le contexte québécois est particulier puisque cette province est la seule dont la majorité s’exprime en français, d’où son statut de province unilingue française. Cependant, tant d’un point de vue politique que démographique, la population anglophone a toujours joué un rôle clé dans la société québécoise. La présente étude a pour objectif d’observer les différentes pratiques de traduction officielle du gouvernement du Canada et du gouvernement du Québec. Plus précisément, nous analyserons la traduction des discours de différents chefs politiques au provincial et au fédéral. Afin d’obtenir des résultats comparables, nous étudierons tout particulièrement les discours entourant un seul événement, soit le référendum québécois de 1995. Nos recherches précédentes ont démontré qu’au gouvernement fédéral, la traduction des discours politiques varie entre autres en fonction de l’époque et du premier ministre au pouvoir. Nous posons l’hypothèse qu’étant donné la longue tradition de traduction institutionnelle de certains partis politiques, les stratégies de traduction adoptées par ces partis seront plus efficaces que celles adoptées par les partis peu habitués à faire traduire leurs discours.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.005 |
| Science and technology studies | 0.013 | 0.007 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.013 | 0.000 |
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".