Traduire les sciences humaines. Auteur, traducteur et incertitudes
Bibliographic record
Abstract
Cet article se propose d’examiner la spécificité de la traduction des textes ayant des ambitions conceptuelles, qu’ils relèvent des sciences humaines et sociales ou de la philosophie. En effet, outre les problèmes que leur traduction partage avec la traduction littéraire, le travail sur les concepts à l’oeuvre dans ces textes requiert une attention et un engagement particuliers de la part du traducteur. Les recherches qui président à ses choix, et souvent reléguées aux coulisses de la science, soutiennent sa fonction auctoriale propre. La spécificité de cette pratique est analysée ici à la lumière de deux propositions théoriques : d’une part, la distinction entre concept thématique et concept opératoire, introduite par Eugen Fink, et, d’autre part, la distinction entre incertitude-nuance et incertitude-alternative qui nous vient de la philosophie de l’aléatoire. Rapprocher ces ressources catégorielles permet tout à la fois de documenter cette pratique traductive particulière et d’avancer quelques hypothèses sur la tâche du traducteur et sa responsabilité auctoriale dans ce champ particulier de la traduction. Les séquences argumentatives de l’article s’appuient sur des exemples empruntés à diverses expériences de traduction (notamment de George Herbert Mead, d’Aristote, du Coran et de Paul Ricoeur).
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 | 0.005 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.004 | 0.021 |
| Scholarly communication | 0.009 | 0.010 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.017 | 0.005 |
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".