Bibliographic record
Abstract
L’incertitude est une valeur fondamentale de la traduction. Pourtant, peu de traductologues s’y sont intéressés. La cartographie des incertitudes proposée dans cet article montre clairement qu’elles peuvent se manifester tout au long de l’opération traduisante. Plusieurs aspects de cette opération et les divers acteurs qui y participent sont examinés. On s’intéresse, tout d’abord, au rôle du donneur d’ouvrage. On se penche sur les aléas de l’interprétation du texte source, et en particulier sur le double regard du traducteur. La contribution d’autres acteurs est évoquée, en particulier le rôle de l’auteur, et les éventuelles ingérences postérieures à la phase de révision de la traduction. On s’intéresse, enfin, aux destinataires du texte traduit, en exploitant la distinction entre le lecteur modèle et le lecteur empirique. Après ce regard critique sur les phases en amont et en aval de l’acte traductif proprement dit, les incertitudes liées aux choix traductifs sont explorées. Quelques paragraphes sont consacrés aux certitudes du traducteur. Deux conclusions ressortent de ces réflexions : il est clair que la traductologie se doit d’intégrer l’incertitude au sein de ses préoccupations ; enfin, ce phénomène bien connu des professionnels devrait être considéré comme un atout qui permet au traducteur de rester en état de vigilance.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.008 | 0.019 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.004 | 0.018 |
| Scholarly communication | 0.010 | 0.011 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.002 | 0.006 |
| Insufficient payload (model declined to judge) | 0.012 | 0.004 |
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 source (direct Gemma or distilled Codex), 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".