Teknolojik Gelişmelerin Çevirmen ve Çeviri Mesleği Açısından Olumlu ve Olumsuz Etkileri: Çeviri Alanında Yeni Yaklaşımlar
Bibliographic record
Abstract
Makineleşmenin hayatımızın her yerinde bıraktığı derin izler ve toplumsal açıdan beraberinde getirdiği yeni hayat tarzı, birçok mesleğin ya popülerliğini azaltmış; ya da bu meslekleri teknoloji çağına ayak uydurmaya zorlamıştır. Bu kapsamda bazı meslekler artık ömrünü tamamlamış, diğer yandan ise bazı meslekler teknolojik gelişmelere paralel, profesyonelleşme yolunu tutmuşlardır. Makineleşme ile birlikte yeni uzmanlık alanları doğmuş ve önceleri birçok insanın birlikte çalışması ile ancak halledilebilen işler makineler ile daha kolay bir şekilde yapılmaya başlanmıştır. Bu çalışmada, teknolojik gelişmelerin çeviri olgusuna ve çevirmenlik mesleğine olumlu ve/ve ya olumsuz etkileri ele alınacaktır. Makalemizin amacı; olumlu ve olumsuz yönleriyle teknolojik gelişmeler ve değişimler olarak adlandıracağımız yeniliklerin, çevirmen haklarına, çevirmenler arası ilişkilere, çevirmen-işveren ilişkilerine, akademik çeviri eğitimine, çevirmenin yaşam tarzına ve çevirmenin mesleki gelirine ne tür etkilerde bulunduğuyla ilgili veriler ve bilgiler ortaya koymaktır.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.026 | 0.005 |
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".