Variation dénominative et familiarité en tant que source d’incertitude en traduction médicale
Bibliographic record
Abstract
Les traducteurs sont souvent contraints de faire un choix parmi une multitude de variantes terminologiques ayant un signifié similaire. La variation dénominative, également dénommée variation terminologique, est source d’incertitude dans l’esprit du traducteur médical, tant sur le plan cognitif, que sur le plan des équivalences. L’incertitude est présente dès lors que le traducteur ne sait pas si le lecteur d’arrivée sera familiarisé avec la variante choisie dans sa traduction. Les défis soulevés par la variation suffisent à eux seuls à justifier la création d’outils adaptés aux besoins des traducteurs. VariMed est une base de données terminologiques axée sur les motivations cognitives et communicatives de la variation dénominative, et la manière dont elles se reflètent dans les variantes terminologiques d’un concept. L’objectif de l’article consiste à explorer les zones d’ombre que recèle la traduction de la variation dénominative en traduction médicale sur le plan intralinguistique et interlinguistique dans le cadre des projets de recherche VariMed et CombiMed. Nous aborderons également la perception cognitive de la familiarité (Delgado 1988 ; Connine, Mullennix et al. 1990 ; Gómez Veiga, Carriedo López et al. 2010) chez les sujets profanes en tant que source complémentaire de doute de la part du traducteur. À cet effet, nous avons mené auprès d’étudiants en traduction une expérience basée sur des tests spontanés de production lexicale afin de connaître leur perception des termes les plus familiers à partir d’éléments extraits de la base de données VariMed. Les résultats de l’expérience ont permis de mieux définir les paramètres qui influencent la familiarité des sujets avec les mots et les termes et, de là, les choix lexicaux des traducteurs.
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 | 0.008 | 0.025 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.003 | 0.019 |
| Scholarly communication | 0.009 | 0.011 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.008 | 0.001 |
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".