L’apport des corpus spécialisés en terminographie multilingue : le cas des groupes nominaux de type Nom-Adjectif dans la langue médicale
Bibliographic record
Abstract
La lexicographie, qu’il s’agisse de la description des langues de spécialité ou de celle de la langue générale, s’appuie sur l’usage des corpus informatisés depuis de nombreuses années. Nous choisissons ici de montrer son utilité dans le cadre de la description des groupes nominaux de type Nom-Adjectif, qui constituent l’immense majorité des termes de nombreuses spécialités, le domaine choisi étant celui de la langue des articles de recherche de médecine. La première partie de cet article examine dans quelle mesure les listes de fréquence établies grâce à la consultation des corpus spécialisés permettent de suggérer l’inclusion de nouveaux candidats termes à des bases de données terminologiques existantes, tout en rendant compte de la représentation des termes de ces bases de données dans le corpus constitué pour l’occasion, qui se compose de plus de 5000 articles de recherche médicale de langue française. La deuxième partie traite du problème du choix des équivalents de traduction utilisés en anglais pour les termes qui font intervenir le phénomène de la prémodification par un nom ou un adjectif. L’utilité du recours aux corpus semble prouvée dans les deux cas de figure.
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 | 0.020 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.009 | 0.009 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 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".