Machine Translation and Translation Memory Systems: An Ethnographic Study of Translators’ Satisfaction
Notice bibliographique
Résumé
The translator’s workplace (TW) has undergone radical changes since microcomputers were introduced on the market and, as a result, digitization increased enormously. Existing translation-related technologies, such as machine translation (MT), were enhanced and others, such as translation memory (TM) systems, were developed. It is a noteworthy fact that implementing new translation-related technologies in the TW is done in various conditions according to specific goals that subsequently define new work conditions for translators. These new work conditions affect translators’ satisfaction with their job, and their satisfaction will influence career development and employee retention in the translation industry over the long term. In the past two decades, Language Service Providers (LSPs) have started integrating MT into TM systems to benefit from MT suggestions when TM is not helpful. Neither TM nor MT is unfamiliar to the translation industry, but the combination, i.e. TM+MT, is fairly new. So far, there have been few studies on translators’ satisfaction with TM+MT. This study consists of an ethnographic research project on seven translators in a Canada-based company where TM+MT is used. Observations, semi-structured interviews, and in-house document analysis have been used as data collection methods. The data obtained has been analyzed and discussed based on Rodríguez-Castro’s task satisfaction model (2011). This model addresses intrinsic and extrinsic sources of translators’ satisfaction with the activities they do in their job. Investigating the factors and variables of her model in the aforementioned company, I concluded that those sources of satisfaction cannot be considered separately from the job-context factors, such as the company’s policies in implementing TM+MT.
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 | 0,006 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».