Le corpus journalistique dans l’enseignement de la traduction économique et financière
Notice bibliographique
Résumé
L’article présente le corpus journalistique comme une ressource incontournable dans l’acquisition d’un savoir critique, compétence qui doit s’enchâsser dans l’apprentissage de la traduction économique et financière, à l’heure où on anticipe qu’une proportion croissante de textes issus de ces domaines se prêteront à la traduction automatique neuronale. L’article vise à soutenir une pratique enseignante qui conçoit le travail des traductaires comme étant activement engagé dans la construction des réalités sociales. Cette posture est exposée sous les auspices de l’analyse critique du discours, dont la pertinence s’inscrit dans le contexte élargi de la financiarisation de l’économie. Après une brève synthèse des approches en enseignement de la traduction spécialisée dans les domaines de l’économie et de la finance, l’article propose des clefs d’analyse critique du corpus journalistique, réparties en trois catégories : lexique et vocabulaire, agentivité et voix. Quelques aspects praxéologiques sont abordés, notamment la manière de construire un corpus de textes journalistiques.
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 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,012 | 0,016 |
| Études des sciences et des technologies | 0,005 | 0,006 |
| Communication savante | 0,010 | 0,007 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,002 |
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 ».