Traduire les textes juridiques dans un contexte de plurilinguisme officiel : quelle formation pour quelles compétences spécifiques ?
Bibliographic record
Abstract
Question fondamentale pour les systèmes plurilingues, la qualité de la traduction juridique est abordée ici sous l’angle non pas des aménagements institutionnels, mais des acteurs. Les spécificités des contextes de plurilinguisme officiel sont mises en relation avec la problématique de la compétence traductionnelle, de façon à tirer des conclusions applicables à la formation. Dans les systèmes plurilingues, la traduction juridique doit répondre à des exigences particulières liées à l’intertextualité, au statut du texte traduit, à la pluralité des destinataires et à l’institutionnalisation du processus. Ces exigences ont des implications sur plusieurs plans. À cet égard, l’article se réfère aux modèles généraux de compétence et à leur approfondissement interdisciplinaire dans la perspective de la traduction juridique. Il propose d’intégrer la question du plurilinguisme officiel dans un enseignement structuré autour des situations professionnelles, en mettant l’accent sur les aspects suivants : l’utilisation raisonnée des ressources documentaires ; l’acquisition de connaissances relatives au droit linguistique et au fonctionnement institutionnel ; la prévention des interférences et du jargon ; et le développement d’une capacité d’argumenter et d’interagir avec d’autres professionnels. Pour terminer, l’article illustre la singularité des divers contextes plurilingues. Il rejette l’idée selon laquelle ils représenteraient pour la traduction juridique une situation simplifiée, nécessitant des compétences purement techniques.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.001 | 0.002 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".