Traduction automatique et compétences pour la post-édition dans l’enseignement supérieur : une étude de cas dans le domaine de la finance
Notice bibliographique
Résumé
L’essor de la traduction automatique a profondément transformé le secteur de la traduction professionnelle. En confiant aux logiciels la production d’une première traduction de plus en plus convaincante, les spécialistes peuvent désormais se concentrer sur les aspects les plus complexes du texte, notamment les dimensions lexicale et terminologique. Dans le cadre du projet Lingua-Q : IA et post-édition dans la traduction spécialisée plurilingue , l’équipe de l’Osservatorio di Terminologie e Politiche Linguistiche – OTPL (Università Cattolica del Sacro Cuore, Milan) analyse la qualité de la traduction automatique dans une perspective didactique, en vue de proposer une formation à la post-édition destinée aux étudiant·es de sciences linguistiques et de langues, littératures et cultures étrangères. Cette étude se compose de trois sections principales. Tout d’abord, l’analyse des résultats d’un questionnaire soumis à un groupe d’étudiant·es de master sur leurs attentes et besoins de formation en traduction et post-édition. Ensuite, la constitution d’un corpus de textes en français dans le domaine de la finance durable et éthique traduit à l’aide d’un logiciel de traduction automatique, dont l’évaluation de la qualité a servi à la préparation du matériel didactique. Enfin, la mise en oeuvre d’une séquence didactique pour la promotion d’un emploi responsable des outils de traduction automatique. Les résultats de cette expérimentation mettent en évidence l’importance d’une formation spécifique à la post-édition, désormais considérée comme une compétence essentielle pour les spécialistes de langues.
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 | 0,013 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,011 | 0,010 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 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 ».