Bibliographic record
Abstract
Puisant dans l’expérience professionnelle propre aux domaines de la traduction juridique et de la formation des professionnels des langues, cette recherche vise à rendre compte de l’importance de l’emploi des outils et ressources propres aux jurilinguistes pour former les traducteurs juridiques. Apparues comme disciplines à part entière au Canada à la fin des années 1970, la traduction juridique et la jurilinguistique (Gémar 1979) ont évolué conjointement ; les professionnels de la langue et du droit canadiens ont contribué à la création des foyers d’expertise et de pôles de référence comme le Centre de traduction et de terminologie juridiques (CTTJ) de la Faculté de Droit de l’Université de Moncton, de ressources indispensables comme le Juridictionnaire élaboré par le jurilinguiste Jacques Picotte pour le compte du CTTJ, ou encore Termium Plus, la base de données terminologiques et linguistiques du gouvernement du Canada. Dans nos sociétés globalisées et réticulaires, les traducteurs juridiques œuvrant au sein d’institutions internationales, ainsi que les traducteurs assermentés, ressentent le besoin de formations qui les aident à trouver des réponses à leurs questionnements linguistiques et extralinguistiques. Une initiation aux méthodes et aux ressources jurilinguistiques peut s’avérer bénéfique notamment pour découvrir des stratégies afin de résoudre rapidement des défis de traduction, identifier les lexiques de spécialité employés dans la pratique du traducteur juridique, optimiser la pratique et l’expertise en tant professionnel de la langue du droit, tout en améliorant sa communication avec les professionnels de la justice.
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 | 0.005 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.024 | 0.017 |
| Scholarly communication | 0.013 | 0.007 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.006 |
| 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".