Enseignement de la traduction technique anglais-français : portrait de la situation
Bibliographic record
Abstract
La traduction technique (orientée vers la pratique dans des domaines technologiques et industriels comme la mécanique et le travail des métaux) est un sujet sur lequel on trouve relativement peu de documentation récente, surtout lorsque l’on s’arrête plus précisément à son enseignement. Comment se spécialise-t-on en traduction technique? Faut-il d’abord acquérir une expertise du domaine de spécialité (approche orientée domaine)? Peut-on passer d’une pratique générale à une pratique spécialisée en traduisant des textes techniques (approche texte)? Existe-t-il une méthode de formation qui soit meilleure qu’une autre et si oui, laquelle? Quelle est la place de la traduction technique dans les programmes de traduction actuels des universités québécoises et des universités francophones hors Québec? En menant la présente étude, nous avons voulu connaître la situation de l’enseignement de la traduction technique en recensant d’abord les principaux travaux sur le sujet, puis en observant la structure des programmes universitaires ainsi que le contexte dans lequel s’exerce la profession. Le marché de la traduction connaît d’importantes perturbations sur le plan commercial et technologique. Outre l’instantanéité des demandes, la stagnation, voire la baisse des tarifs ainsi que l’ampleur du volume des textes à traduire, l’apparition des technologies de télécommunication et de traduction assistée par ordinateur (TAO) a apporté des avantages et des contraintes. Si ces technologies augmentent la productivité des traducteurs et facilitent les recherches documentaires et terminologiques, elles ouvrent aussi la porte à une concurrence sans frontières et à une industrialisation de la traduction. À la lumière de nos observations, nous avançons l’hypothèse que les langagiers ont avantage à se spécialiser en visant le marché « haut de gamme », par opposition au marché de masse où un important volume de travail passe par la traduction automatique et la post-édition, d’où la pertinence de l’enseignement de la traduction spécialisée, plus précisément de la traduction technique, une niche sous-exploitée.
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 | 0.010 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.004 | 0.006 |
| Science and technology studies | 0.010 | 0.011 |
| Scholarly communication | 0.012 | 0.006 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.012 | 0.002 |
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".