La traductologie comme espace d’interaction : vieux préjugés, nouveaux défis
Bibliographic record
Abstract
Dans cet article, nous présentons les résultats d’une étude empirique que nous avons réalisée dans quatre universités espagnoles où l’on enseigne la traduction et l’interprétation, afin d’obtenir des données objectives sur la façon dont les matières théoriques sont reçues par les étudiants dans les programmes d’enseignement supérieur. Cette analyse quantitative est basée sur plus de 1 100 questionnaires et un traitement de données grâce au programme Statistical Package for the Social Sciences (SPSS), largement utilisé dans les sciences sociales et appliquées. Nous avons complété l’étude par une analyse exhaustive des plans des cours théoriques des programmes de licence en traduction de toutes les universités espagnoles pour établir une cartographie des piliers conceptuels sur lesquels repose actuellement la formation des traducteurs et des interprètes en Espagne. Les aspects centraux de notre recherche sont l’analyse des compétences, des contenus, des activités d’enseignement et d’apprentissage et, enfin, des activités d’évaluation. Les données nous permettent d’établir des corrélations entre les attentes, les perceptions et les intérêts des étudiants et la formation que les centres universitaires offrent pour ce type de matières. Notre objectif est d’analyser la situation actuelle de la façon la plus précise possible afin d’obtenir des données particulières sur les aspects qui peuvent être améliorés, dans le but d’adapter la planification des cours théoriques à un stade ultérieur.
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 | 0.012 | 0.015 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.006 | 0.031 |
| Scholarly communication | 0.016 | 0.012 |
| Open science | 0.001 | 0.010 |
| Research integrity | 0.002 | 0.004 |
| 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".