Anisomorphisme culturel et variation en traduction juridique. Le cas de la personne mise en cause en France, en Espagne et au Chili
Bibliographic record
Abstract
Cet article vise à mettre en lien deux phénomènes très présents dans la traduction juridique : l’anisomorphisme culturel (c’est-à-dire l’asymétrie culturelle) et la variation linguistique. En effet, le droit est une discipline fortement inhérente à une société, ce qui signifie qu’elle possède un caractère national où, par conséquent, les concepts vont rarement franchir des frontières. De plus, si ce caractère national du droit est bien remarquable dans deux cultures ayant des langues distinctes, comme c’est le cas de la France et de l’Espagne, il est aussi présent dans des cultures juridiques ayant une même langue officielle, comme le Chili et l’Espagne. La traduction d’un terme relevant du droit français vers l’espagnol va varier en fonction du pays cible (l’Espagne, le Chili, le Mexique, etc.). Ainsi, afin de mettre en évidence cette réalité, nous allons analyser un concept général, la personne mise en cause, en France, en Espagne et au Chili, et comment la matérialisation que ces pays font de ce concept général donne lieu à des anisomorphismes culturels et à des problèmes relatifs à la variation linguistique (plus précisément, à la variation géographique) dans les pays hispanophones qui font l’objet de cette étude.
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 | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.005 | 0.023 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 0.000 |
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".