La traduction vers une langue étrangère : compétences, attitudes, contexte social
Bibliographic record
Abstract
Nous explorons le problème de la traduction non native qui, malgré les risques qu’elle comporte, est fréquemment pratiquée dans de nombreuses cultures. Le contexte sociologique dans lequel ce type de traduction s’inscrit est appréhendé à travers le concept de « permissivité interculturelle », qui affecte les destinataires, les commanditaires, les agences aussi bien que les traducteurs. Pour évaluer et structurer les compétences des traducteurs tchèques relatives à la traduction non native, nous avons constitué un échantillon de 160 traductions (40 traducteurs ; deux groupes socioprofessionnels : étudiants avancés et professionnels de la traduction ; deux langues étrangères : anglais et français ; deux directions ; deux types de texte : publicitaire et juridique). L’analyse des compétences confirme l’hypothèse de la primauté de la traduction native, tout en indiquant que les textes spécialisés sont davantage compatibles avec la traduction non native que les textes à forte composante expressive. Selon les données recueillies, la qualité des traductions non natives n’augmente pas avec l’ancienneté du traducteur, à la différence des traductions natives. L’impact de l’expérience antérieure avec le type de texte en question reste difficile à évaluer.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.003 | 0.005 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 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; 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".