Télécommunications et micro-informatique, les alliés du traducteur d’aujourd'hui
Bibliographic record
Abstract
Ces dix dernières années ont connu deux phénomènes culturels : 1) la communication, et son développement exponentiel dans tous les domaines, 2) la micro-informatique, et les PC dont la puissance s'est développée de façon inversement proportionnelle au coût. Cette évolution dans nos mœurs touche également le traducteur humain, qui peut à présent, sans s'endetter inconsidérément, se permettre d'avoir à domicile un PC performant et un MODEM. Avec ces deux atouts, le voilà propriétaire d'une fenêtre ouverte sur l'univers de l'information terminologique, et d'un outil convivial pour en tirer le meilleur parti. SYSTRAN, lui aussi, s'est adapté à cette évolution. En effet, il n'est plus ce gros système dont seuls les organismes internationaux et les multinationales pouvaient se permettre l'utilisation. À présent, n'importe qui a la possibilité d'utiliser SYSTRAN, de chez lui ou du bureau, grâce à toute une gamme d'accès peu coûteux : EXPRESS TRADUCTION, Minitel, les dialogues électroniques bilingues. Aujourd'hui, l'utilisateur de SYSTRAN peut également influencer la traduction automatique en créant son glossaire personnel « préférentiel » et « prioritaire » : SYSTRAN en tiendra compte dans le choix de la terminologie. Accessibilité et flexibilité sont devenues les mots d'ordre de la TA et de la TAO des années 90.
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 | 0.003 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.002 | 0.008 |
| Scholarly communication | 0.010 | 0.007 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.027 | 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".