Analyse outillée des décalages informationnels dans l’évaluation de la qualité de la traduction de l’ensemble des lois codifiées du Québec
Bibliographic record
Abstract
En réponse à la remise en cause fréquente de la qualité de la traduction en anglais des lois du Québec dans la presse et chez les juristes, nous proposons, dans le cadre de la traductologie de corpus, une analyse outillée des décalages informationnels sur la totalité du corpus de près de 13 millions de mots contenus dans l’ensemble des lois codifiées du Québec (6,46 millions en français ; 6,45 millions en anglais). Nous nous intéressons plus particulièrement aux paires de segments hétéromorphes et hors normes criblées respectivement grâce au calcul du ratio de la précision de l’information traduite normalisé (PITN) et à celui de la distance euclidienne normalisée (DEN). Ces indicateurs sont fondés sur la valeur normalisée de trois attributs des segments source et cible, à savoir le nombre de caractères, le nombre de mots lexicaux et le nombre de mots grammaticaux et lexicaux (mots totaux). L’examen manuel d’un grand nombre de paires de segments hétéromorphes et hors normes (criblées de manière automatique avec ces deux indicateurs) met en évidence la variété et la complexité des techniques déployées par les professionnels de la traduction dans les décalages informationnels de traduction et fait état d’un nombre infime de 8 erreurs de traduction caractérisées par l’omission complète de l’un ou l’autre des segments source et cible. Nos données semblent indiquer que la traduction des textes de loi du Québec répond tout à fait aux normes professionnelles de traduction du champ de spécialisation de la traduction juridique. L’analyse des paires de segments criblées confirme aussi le rôle significatif de la redondance et de l’ellipse dans la traduction ; ainsi que les interférences qu’elles créent dans l’analyse de l’explicitation en traduction, à l’instar de toutes les contraintes de nature phraséologique qui interviennent dans l’activité de traduction et qui obligent les traducteurs à transgresser la norme de l’isomorphisme du contenu informationnel des traductions.
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 | 0.004 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.006 | 0.008 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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".