Des enregistrements aux corpus : transcription et extraction de données d’interprétation en milieu médical
Bibliographic record
Abstract
Dans le domaine de l’interprétation de dialogue (ID), l’utilisation et l’utilité des corpus sont autant de sujets controversés. D’une part, la recherche est de plus en plus orientée vers l’étude de l’interaction authentique, ce qui entraîne une augmentation des données enregistrées et transcrites pouvant être explorées comme corpus ; de l’autre, l’intérêt de l’ID envers l’« interaction » plutôt que le « texte » diminue l’attrait des méthodes traditionnelles de la linguistique de corpus pour l’étude des données d’interprétation. Dans cet article, nous présenterons une collection de données d’ID assez importante (corpus AIM), que nous cherchons à outiller. Nous avons jusqu’à présent testé les logicielsEXMARaLDAetELANsur un sous-ensemble de 65 rencontres, dont la transcription est alignée avec l’audio, et nous avons entamé deux pistes de recherche que nous allons illustrer : (a) l’exploration d’éléments lexicaux potentiellement intéressants pour l’analyse des structures de l’interaction ; (b) l’extraction de segments alignés à l’audio que l’on puisse entre autres utiliser dans des activités d’enseignement et d’apprentissage. Nous souhaitons montrer ainsi tant l’utilisation que l’utilité d’un corpus d’ID en milieu médical.
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 | 0.011 | 0.046 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.006 | 0.006 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 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".