L’évaluation de la postédition « retour » en contexte d’apprentissage : priorité à la détection des problèmes de traduction
Bibliographic record
Abstract
Si le processus de postédition (PE) s’effectue en plusieurs étapes, il commence invariablement par la détection d’un problème, comme en attestent les modèles de compétence en PE. Dans un contexte didactique, si l’enseignement de la PE met l’accent sur cette phase du processus, faut-il en tenir compte lors de l’évaluation, quel que soit le produit fini ? Le cas échéant, comment reconnaître des détections qui n’ont pas conduit à une modification visible dans le produit fini (dénommées « simples détections ») et surtout, quel serait l’impact d’une telle méthode d’évaluation sur l’étudiant * et sur la charge de travail de l’évaluateur ? Pour répondre à ces questions, nous avons mené une étude quasi expérimentale avec 15 étudiants effectuant une tâche de PE « retour » (du néerlandais, langue maternelle, au français, langue étrangère) tout en enregistrant leur processus avec un logiciel de saisie de frappes. Nos résultats montrent que les scores tenant compte de ces simples détections sont significativement plus élevés que les scores ne tenant compte que du produit fini. La différence est non seulement significative, mais elle permet aussi, selon le contexte, de passer de l’échec à la réussite. Par conséquent, pour l’étudiant, cette approche a une grande importance, tout comme pour l’évaluateur qui a désormais accès à un pan de compétence resté invisible jusqu’à présent. Par ailleurs, la méthode de travail s’avère relativement simple sans être trop chronophage, selon le temps disponible et le nombre d’étudiants à évaluer.
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 | 0.028 | 0.170 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.005 | 0.006 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| 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".