Zur korpusbasierten Erforschung von Fachübersetzungen bei der Nationalen Übersetzerprüfung in Norwegen
Bibliographic record
Abstract
L’objectif du présent article est d’exposer un certain nombre de données provenant de l’analyse de traductions juridiques réalisées à partir du norvégien vers l’allemand et l’anglais. La méthode employée fait appel à un corpus multilingue parallèle ( TK-NHH ) qui est encore en construction. Dans un premier temps, l’examen d’agrément national des traducteurs ( Statsautorisert Translatøreksamen) de Norvège, d’où proviennent les textes, est présenté. Le modèle utilisé pour la constitution du corpus TK-NHH est ensuite exposé, et ses différentes applications sont discutées. Suit une analyse qualitative de deux problèmes particuliers de traduction juridique provenant du corpus : la traduction d’une expression modale et l’explicitation (pragmatique) des noms propres de phénomènes juridiques culturellement spécifiques. Les langues cibles pour ces exemples sont l’allemand et l’anglais. Le troisième problème de traduction envisagé concerne les problèmes terminologiques qui se posent lorsque le traducteur rencontre de nouveaux concepts existant dans une culture juridique mais absent dans l’autre. Dans ce dernier cas, seules les traductions en allemand ont été examinées. En conclusion, l’article souligne deux changements pour les travaux futurs avec le corpus TK-NHH.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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 teacher head, 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".