La relecture unilingue : une procédure de révision de traduction rapide, fonctionnelle, mais déloyale
Bibliographic record
Abstract
Depuis 2006, les agences de traduction européennes qui souhaitent travailler conformément à la norme EN 15038 sur les services de traduction doivent intégrer la révision dans leur processus. Toutefois, la norme n’est pas claire quant à la manière dont cette révision doit être effectuée et en particulier quant à la nécessité de comparer les textes source et cible durant la révision. Ce constat est à la base d’une étude en cours devant déterminer l’impact de la procédure de révision sur le produit et le processus de révision. Dans la présente contribution, une procédure de révision non comparative, la relecture unilingue, sera comparée à trois autres procédures : la relecture bilingue et deux relectures dites « doubles », à savoir la relecture bilingue suivie d’une relecture unilingue et la relecture unilingue suivie d’une relecture bilingue. L’objectif est de déterminer si la relecture unilingue est efficace et, le cas échéant, dans quelles conditions et par rapport à quelle autre procédure. Pour ce faire, les scores de seize réviseurs professionnels ayant révisé quatre textes cibles comparables chaque fois selon une procédure différente ont été comparés en ce qui concerne la qualité de la révision (produit), la détection d’erreurs et la durée du processus de révision (processus). Une analyse de la variance (ANOVA) a révélé que la relecture unilingue n’est pas significativement moins efficace, en termes de qualité et de potentiel de détection d’erreurs, qu’une relecture bilingue, mais qu’elle ne prend pas non plus significativement moins de temps. En revanche, si la relecture unilingue est significativement moins efficace que les relectures doubles, elle prend aussi significativement moins de temps.
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 | 0.033 | 0.083 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.006 | 0.004 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.005 | 0.005 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.020 | 0.006 |
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".