Beyond Translating French into English: Experiences of a Non-Native Translator
Notice bibliographique
Résumé
This paper documents a non-native translator’s experience in an academic setting, focusing on the challenges of translating different kinds of texts from French into English at the Institute of Languages, Makerere University. Makerere Institute of Languages (MIL) is composed of four clusters: Foreign Languages, African Languages, Communication Skills and Secretarial Studies, Service Courses and Soft Skills (Wagaba 97). The services offered include teaching language skills and culture to university students and the general public; communication skills to people who want to improve in English, French, German, Arabic, Swahili and local languages; and translation and interpretation in the languages mentioned above. These services are offered at this institute because there is no other well-recognised institution in Uganda that engages in translation or interpretation, yet there is always a big demand for them. The emphasis in this study is on teachers of French who also render translation services to a wide range of clients at the Institute of Languages. The main focus is on the experiences and opinions of non-native translators. The aim is to highlight the challenges a non-native translator encounters in the process of translating different categories of documents from French into English for purposes of validation of francophone students’ academic documents and their placement in Uganda universities, verification of academic qualification of teachers from francophone countries who come to Uganda in search of teaching jobs, and mutual understanding at international conferences held in Uganda whose delegates come from francophone countries. Selected texts will be critically examined to illustrate the specific challenges a non-native speaker encounters while translating from and into a language or languages which are not his/her first language or mother tongue. The paper deals with the following questions: What does the process of translating involve? What are the challenges encountered? Does every fluent French language teacher qualify to be a competent translator? What factors determine ‘competence’ in translation? What are the limitations faced in an academic setting? The discussion is based on the premise that competence in translation requires linguistic and intercultural competence, among other competencies. The outcome contributes to the understanding that translation in any setting is ultimately a human activity, which enables human beings to exchange information and enhance knowledge transfer regardless of cultural and linguistic differences.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,024 | 0,015 |
| Communication savante | 0,014 | 0,009 |
| Science ouverte | 0,003 | 0,011 |
| Intégrité de la recherche | 0,006 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».