Variation dénominative et familiarité en tant que source d’incertitude en traduction médicale
Notice bibliographique
Résumé
Les traducteurs sont souvent contraints de faire un choix parmi une multitude de variantes terminologiques ayant un signifié similaire. La variation dénominative, également dénommée variation terminologique, est source d’incertitude dans l’esprit du traducteur médical, tant sur le plan cognitif, que sur le plan des équivalences. L’incertitude est présente dès lors que le traducteur ne sait pas si le lecteur d’arrivée sera familiarisé avec la variante choisie dans sa traduction. Les défis soulevés par la variation suffisent à eux seuls à justifier la création d’outils adaptés aux besoins des traducteurs. VariMed est une base de données terminologiques axée sur les motivations cognitives et communicatives de la variation dénominative, et la manière dont elles se reflètent dans les variantes terminologiques d’un concept. L’objectif de l’article consiste à explorer les zones d’ombre que recèle la traduction de la variation dénominative en traduction médicale sur le plan intralinguistique et interlinguistique dans le cadre des projets de recherche VariMed et CombiMed. Nous aborderons également la perception cognitive de la familiarité (Delgado 1988 ; Connine, Mullennix et al. 1990 ; Gómez Veiga, Carriedo López et al. 2010) chez les sujets profanes en tant que source complémentaire de doute de la part du traducteur. À cet effet, nous avons mené auprès d’étudiants en traduction une expérience basée sur des tests spontanés de production lexicale afin de connaître leur perception des termes les plus familiers à partir d’éléments extraits de la base de données VariMed. Les résultats de l’expérience ont permis de mieux définir les paramètres qui influencent la familiarité des sujets avec les mots et les termes et, de là, les choix lexicaux des traducteurs.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 tête enseignante, 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 ».