Doute et négociation : la perception des traducteurs professionnels
Bibliographic record
Abstract
Le présent article, qui porte sur la perception qu’ont les traducteurs et traductrices du doute et de la négociation dans leur pratique professionnelle, part du constat que l’intégration explicite des compétences dites « émotionnelles » dans la compétence globale du traducteur est encore embryonnaire, alors que les spécialistes de la notion de compétence en ont démontré le rôle central. De fait, la gestion du doute (rationnel comme personnel) et la négociation, qui ressortissent à la dimension interpersonnelle, sont omniprésentes dans l’exercice de la profession : mal gérée, la composante relationnelle peut constituer une source de difficultés obérant la compétence globale du traducteur en nuisant notamment à sa confiance en soi. Les aspects concrets du doute et de la négociation dans la pratique de la traduction professionnelle y sont étudiés par l’intermédiaire d’un sondage effectué auprès de traducteurs professionnels francophones du Québec et du Canada, visant à examiner la manière dont ils vivent et gèrent le doute dans la négociation au quotidien. L’analyse des réponses des 180 participants est abordée selon quatre thématiques couvrant les différences entre hommes et femmes ainsi que l’influence du nombre d’années d’expérience, du domaine de spécialité et du contexte d’exercice de la profession.
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 | 0.009 | 0.014 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.008 | 0.011 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.007 | 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; 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".