ENTREVISTA COM ALVARO ECHEVERRI
Bibliographic record
Abstract
Alvaro Echeverri4 foi professor convidado pela Université de Montréal, Canadá, no Departamento de Linguística e Tradução em 2009 e desde 2010 é professor adjunto dessa instituição. Suas línguas de trabalho são o espanhol (língua materna), o francês e o inglês. Possui graduação em línguas estrangeiras pela Universidad de Antioquia, Medellín, Colômbia (1994), mestrado em Línguas Estrangeiras (M.A in Foreign Languages, West Virginia University, Morgantown (WV), EUA, 2000), mestrado em Tradução (M.A in translation, Kent State University, Kent (OH), EUA, 2001) e doutorado em Traduction, opção Tradutologia pela Université de Montréal, Montréal, Canadá, com tese intitulada “Métacognition, apprentissage actif et traduction : l’apprenant de traduction, agent de sa propre formation” (2008), a qual originou um livro de mesmo título em 20105. Sua principal área de interesse está relacionada à pedagogia da tradução, ao papel ativo dos aprendizes em sua formação, em especial à metacognição no processo de ensino-aprendizagem de tradução e sua influência na aplicação de métodos de aprendizagem nos cursos de Tradução. Professor Echeverri se interessa também pela História da Tradução e é membro do Grupo de Pesquisa sobre a História da Tradução na América Latina (HISTAL) http://www.histal.ca/pt, coordenado pelo Professor Dr. Georges Bastin. Além disso, pesquisa acerca do desenvolvimento da tradutologia por meio da análise de traduções de textos sobre a tradutologia em inglês, espanhol e francês após a década de 1970.
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 | 0.005 | 0.021 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.006 | 0.003 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.005 | 0.007 |
| Insufficient payload (model declined to judge) | 0.028 | 0.011 |
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".