La traduction d’un corpus atypique : les annuaires téléphoniques professionnels
Bibliographic record
Abstract
Les listes sont des textes particuliers tant dans leur forme que dans leur contenu. Elles peuvent, sous certaines conditions, être traitées comme des corpus de textes constitués de phrases. Les rubriques des annuaires téléphoniques en sont des exemples riches d’informations à plusieurs titres. Leur traduction est un exercice aux exigences particulières où sont conjuguées les compétences linguistiques et la connaissance des activités économiques et professionnelles. Culturellement, elles rendent compte des manières de classifier ces activités dans un lieu précis ou une région. Le traitement de ce type de corpus n’est pas sans importance pour l’observation des phénomènes économiques. Il n’est pas négligeable de noter, en outre, qu’un examen diachronique de ce type de corpus offre une lecture des pratiques économiques et terminologiques passées et présentes d’une société. Cependant, l’examen de ce corpus ne peut s’effectuer que sur les versions papier numérisées et non sur les versions en ligne car, pour ces dernières, les catégories classificatoires ne sont pas systématiquement visibles puisque le contenu se trouve dans des bases de données électroniques qui ne sont pas accessibles directement.
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 | 0.006 | 0.032 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.007 | 0.008 |
| Science and technology studies | 0.004 | 0.004 |
| Scholarly communication | 0.007 | 0.007 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.035 | 0.012 |
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".