Bibliographic record
Abstract
Au Canada, toute personne qui estime ne pas assez bien comprendre la langue utilisée pour saisir l’entièreté des pourparlers et faire valoir son point de vue dans la langue utilisée, peut demander l’aide d’un.e interprète lors des procédures judiciaires. Dans ce cadre, l’interprétation consécutive, qui consiste à traduire oralement les énoncés des intervenant.e.s ou d’un témoin, peut parfois contenir des erreurs. Celles-ci, lorsqu’elles surviennent, peuvent avoir des conséquences importantes, non seulement sur la vie de la personne demanderesse ou accusée mais aussi, en ce cas, lors d’une demande de révision de procès, dans un système judiciaire déjà très chargé. L’objectif principal de ma recherche est de répertorier, expliquer et classifier ces erreurs d’interprétation selon les domaines de la linguistique. En extrayant des informations pertinentes à partir de documents judiciaires et d’articles de presse, j’ai constitué un corpus de données sur les erreurs en interprétation judiciaire. Ces erreurs sont ensuite analysées de manière détaillée et classifiées selon des domaines de la linguistique tels que le vocabulaire, la syntaxe, la sémantique et la pragmatique. La recherche inclut des cas issus des instances judiciaires provinciales du Québec ainsi que du niveau fédéral, en particulier des tribunaux qui traitent des affaires d’immigration. Ce travail met en lumière les défis rencontrés pour obtenir une interprétation fidèle, notamment les enjeux liés aux nuances culturelles et aux processus cognitifs impliqués dans l’interprétation. Je serai également amenée à nommer et à examiner les répercussions juridiques et sociales de ces erreurs. En diffusant les résultats, cette recherche vise à sensibiliser les interprètes et leurs formateurs aux erreurs courantes et leurs conséquences potentielles, contribuant ainsi à améliorer la qualité linguistique de l’interprétation judiciaire.
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 | 0.008 | 0.022 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.007 | 0.008 |
| Science and technology studies | 0.011 | 0.022 |
| Scholarly communication | 0.016 | 0.007 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.009 | 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".