(Re)penser l’enseignement de la traduction professionnelle dans un master français : l’exemple des zones d’incertitudes en traduction médicale
Bibliographic record
Abstract
La traduction médicale hautement technique et rigoureuse occupe une place à part dans l’enseignement de la traduction (Balliu 2005) et demande une formation spécifique des apprenants et de leurs formateurs. Dans le master français de traduction de l’Université de Lorraine, cette formation prend appui sur les connaissances linguistiques et grammaticales acquises par nos apprenants dans les cursus de traduction générale. Les premières traductions médicales proposées portent sur la fiche médicament. Nous constatons que la première source d’incertitudes porte sur le vocabulaire spécialisé médical et que la seconde est liée à l’expression de la modalité, phénomène linguistique général. Les théories de la traduction traditionnellement enseignées en France dans les cursus universitaires généraux en langues (Vinay et Darbelnet 1958 ; Chuquet et Paillard 1989 ; Quivy 2010) sont appliquées à la traduction d’énoncés médicaux contenant des modaux et du lexique médical ; et il apparaît que ces zones d’incertitude persistent. Au-delà de la dimension linguistique incontournable dans l’enseignement de la traduction, les dimensions extralinguistiques, telles la recherche documentaire, la dimension communicative et la phraséologie médicale, jouent un rôle dans ce type de traduction professionnelle. Fortement réglementée dans sa rédaction, la fiche médicament est un document informatif, contenant des éléments scientifiques attestés par le milieu médical et s’adressant à un lectorat très large, quelquefois profane. L’approche fonctionnaliste (Nord 1997/2008) intègre ces dimensions et développe une stratégie traductionnelle basée sur la notion centrale de fonction du texte cible. Étudiée par les formateurs et enseignée à nos apprenants, cette approche particulièrement adaptée à la traduction médicale (Montalt et Gonzáles Davies 2007) permet de faire disparaître les incertitudes rencontrées en vocabulaire spécialisé médical et dans des énoncés contenant des modaux.
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 | 0.004 | 0.002 |
| Scholarly communication | 0.001 | 0.002 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.016 | 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".