Comprendre les syntagmes nominaux spécialisés : enjeux cognitifs et défis traductifs
Notice bibliographique
Résumé
Cet article examine la compréhension des syntagmes nominaux (SN) spécialisés en anglais dans le cadre du modèle Construction-Intégration, pour les besoins de la traduction professionnelle et de la formation des traducteurs. Nous montrons que cette compétence dépasse la reconnaissance morphosyntaxique et mobilise des opérations cognitives dynamiques (inférences, activation des connaissances, validation contextuelle) face à des difficultés récurrentes : ellipses, faux monolithiques, SN terminologisés non répertoriés, collocations spécialisées à antinomie interne et relations internes équivoques. À partir d’une cartographie des difficultés par type de SN simples, composés, complexes et mixtes (mise en facteur d’une partie terminologisée et d’un élément libre), nous proposons un décodage incrémentiel (repérer le noyau, cartographier les constituants, formuler des hypothèses de lecture, contre-vérifier les hypothèses puis valider en fonction des savoirs disciplinaires) et des méthodes transférables (reconstruction de la forme longue, double stratégie lecture lexicalisée/compositionnelle, analyse modification/complémentation, traduction discursive pour désamorcer la sur‑terminologisation). Le tableau de synthèse (Tableau 2) structure ces recommandations pour la formation et l’auto‑apprentissage. Enfin, nous ouvrons une double perspective : empirique, pour valider et mesurer l’impact des mécanismes sur la décision traductive; didactique, pour concevoir des dispositifs pédagogiques interactifs et des protocoles d’évaluation adossés aux méthodes de décodage. Dans un contexte de densification terminologique, nous plaidons pour une assistance technologique qui augmente et accompagne le raisonnement humain, plutôt que de s’y substituer.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».