Du texte aux ressources multimodales : faire avancer la recherche en interprétation à partir d’un corpus déjà existant†
Bibliographic record
Abstract
En règle générale, la linguistique de corpus repose sur des sources textuelles et vise l’analyse d’instances représentatives de la langue orale ou écrite. Toutefois, le rôle des ressources non verbales et multimodales y est crucial, car ces dernières contribuent considérablement aux processus de création de sens, tant dans le cas de la communication directe que dans celui de la communication médiée. Ce rôle est d’autant plus essentiel pour les études en interprétation, où les transcriptions des interactions médiées ne peuvent refléter qu’une partie des échanges communicationnels. Des projets comme EPIC (European Parliament Interpreting Corpus) tentent donc d’inclure des ressources multimodales dans leur corpus (p. ex. les informations extralinguistiques, la vidéo et les enregistrements audios) et définissent de nouvelles bases pour les corpus d’interprétation conçus ultérieurement. Nous aborderons ici les développements de cet ordre et donnerons trois autres exemples de tels corpus : DIRSI (Directionality in Simultaneous Interpreting), EPTIC (European Parliament Translation and Interpreting Corpus), le corpus et la plateforme Anglintrad. Ces ressources linguistiques tirent de nouveaux avantages de la multimodalité et offrent des ressources textuelles et multimédias indépendantes ou alignées. Ces exemples montrent l’importance de conserver des formats et des structures souples lorsque l’on crée un corpus d’interprétations, de façon que les ressources ainsi constituées puissent faire progresser les études en interprétation au-delà d’un niveau strictement textuel.
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 | 0.014 | 0.037 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.004 |
| Science and technology studies | 0.003 | 0.009 |
| Scholarly communication | 0.011 | 0.015 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.012 | 0.004 |
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".