Modelo modelo holístico y componencial para evaluar la competencia traductiva de los estudiantes de traducción
Bibliographic record
Abstract
Las diversas herramientas para evaluar la calidad de las traducciones se critican a menudo, debido a las múltiples variables que implica, entre ellas la definición, el número y la gravedad de las faltas, el propósito de la evaluación, la competencia y la fiabilidad del evaluador, las exigencias del cliente o del usuario final, el tiempo y la complejidad del modelo de evaluación. No obstante, en los últimos años, el modelo funcionalista de la evaluación de la calidad de la traducción, basado en criterios establecidos, propuesto por Colina (2008, 2009), entre otros modelos, ha permitido tener en cuenta diferentes variables y, por lo tanto, proporcionar una mayor fiabilidad y validez incluso si es criticado por de los partidarios de evaluación normativa en la traducción (Anckaert et al., 2008, 2009). Asimismo, se han logrado avances en la evaluación educativa por medio de un enfoque holístico y basado en criterios establecidos, desarrollado por Wiggins (1998) y Biggs y Tang (2007), investigadores en el campo de la educación científica. En este artículo, el autor propone la integración del modelo funcionalista con el enfoque holístico, basado en la definición de las normas profesionales aplicables en América del Norte, con el fin de crear un modelo de evaluación "integral y componencial" del desempeño y las habilidades de los traductores en formación. Este modelo corregiría las deficiencias atribuidas a los tradicionales esquemas de corrección cuantitativos, a los esquemas de corrección "impresionistas" y a los modelos basados en criterios establecidos.
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 | 0.006 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.007 | 0.006 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.018 | 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".