¿Cómo traducen traductores y profesores de idiomas? Estudio de corpus
Bibliographic record
Abstract
Le groupe PACTE de l’Université autonome de Barcelone (UAB) s’est consacré pendant plus d’une décennie à la recherche en matière de compétence traductive (CT). Quant à la démarche de traduction, notre recherche – empirique et expérimentale – a non seulement confirmé le modèle de CT proposé par PACTE, mais elle a également mis de l’avant des données sur la spécificité de cette compétence et sur les différences entre la traduction directe et la traduction inverse. Dans cette étude sur le produit de traduction, les données sont observées sous un autre angle, à savoir celui de la linguistique de corpus. Le présent article analyse le corpus de traductions issu de l’expérience de PACTE en matière de CT, qui se compose de traductions directes et inverses réalisées d’une part par des traducteurs professionnels et, d’autre part, par des professeurs de langues étrangères. Il s’agit en l’occurrence d’une analyse de l’utilisation d’éléments tels que les calques, les emprunts, les notes des traducteurs, les parenthèses, le rapport type/occurrence, les expressions courantes, etc., cette analyse n’ayant pas révélé de grandes variations entre les deux groupes de traducteurs ni en matière de directionnalité. Par contre, le degré de similitude entre les traductions, qui a également été mesuré, a montré de nettes différences.
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 | 0.004 | 0.016 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.004 | 0.006 |
| Science and technology studies | 0.003 | 0.005 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 0.002 |
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".