Bibliographic record
Abstract
La première partie du présent article traite du principe synecdoquien, un concept universel central du discours, et par la même occasion de la traduction. Je propose de relier la synecdoque de Lederer (1976 ; 1981 : 1994) qui consiste à voir la formulation linguistique d’un énoncé comme une partie servant à désigner un tout : le sens, à la théorie cognitive de la métaphore et de la métonymie (TCMM) (Lakoff et Johnsen 1980, Langacker 1987, Lakoff et Turner 1989, Gibbs 1994, Panther et Radder 1999 ; Barcelona 2000), où les mots servent de tremplin aux constructions cognitives. Les synecdoques sont les retombées linguistiques de l’édification d’une configuration cognitive. Vu qu’une notion ou une situation est en général conceptualisée différemment dans deux langues différentes, les synecdoques qui servent à véhiculer le sens d’un énoncé discursif ne sont pas les mêmes dans les deux langues. La seconde partie de l’article s’efforce de faire ressortir dans quelle mesure les traducteurs professionnels sont conscients du besoin de recourir à des synecdoques autres que celles du texte de départ en vue de restituer les configurations cognitives qu’ils ont en tête suite à la saisie du sens de formulations aussi bien innovatives que figées. Du fait que les processus mentaux ne se prêtent pas à des observations directes, force est d’inférer ceux-ci à partir des données comportementales du traducteur. Sur la base d’une expérience conduite auprès de trois professionnels de la traduction – le comportement traductionnel desquels est observé à partir de données processuelles générées par deux méthodes in vivo : les protocoles de verbalisation et le logiciel Translog – je tente d’inférer les raisons les ayant incités à opter pour des créations discursives plutôt que pour des correspondances pré-assignées. Je tente enfin de classer leurs procédures de tranfert dans trois catégories : automatique, réfléchie ou explorative.
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 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
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; both teacher heads agree on what is shown here.
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".