Traduire en roumain les structures langagières du discours normatif français
Bibliographic record
Abstract
La traduction juridique est un processus complexe au cours duquel le traducteur doit prendre une série de décisions, aussi bien dans l’interprétation du texte de départ que dans le choix des ressources et des procédés, pour réexprimer le sens en langue cible. Le présent article se propose d’analyser les difficultés syntaxiques soulevées par la construction des groupes nominaux lors de leur traduction en roumain dans un double but : d’une part, relever les particularités de structuration syntaxique des textes normatifs et, d’autre part, mettre en évidence le fait que le traducteur doit maîtriser non seulement la terminologie juridique mais aussi les ressources linguistiques et rédactionnelles du texte d’arrivée. La langue du droit présente des structures syntaxiques préférentielles, des marques d’énonciation qui sont des traits morphosyntaxiques à effets sémantiques. En ce qui concerne la compétence rédactionnelle en langue cible, celle-ci permet au traducteur de respecter les particularités de structuration spécifiques à chaque langue en assurant la qualité d’une traduction explicite, capable de rendre le sens d’un système juridique à l’autre.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.006 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 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".