Traduire des technolectes juridiques ou jurilectes dans la presse française et anglaise : approche juritraductologique et terminologique
Bibliographic record
Abstract
Ce qui est comparable est traduisible. Tel est le postulat de base de la juritraductologie (ou science de la traductologie juridique) qui propose une méthodologie innovante de la traduction juridique d’une langue et d’un système juridique sources vers une langue et un système juridique cibles. Cette méthodologie rassemble trois étapes distinctes, mais articulées et intégrées dans un processus traductologique entier : l’étape sémasiologique, l’étape de droit comparé et l’étape onomasiologique forment les phases de recherche et raisonnement dont le but est de décrypter, comparer et recrypter les notions juridiques d’une langue et d’un système juridique sources vers une langue et un système juridique cibles. Le rôle central du droit comparé dans le processus juritraductologique permet de comprendre, caractériser et distinguer, voire opposer les deux droits concernés par la traduction. Deux jurilectes ou technolectes juridiques issus de la presse générale (to be charged, mise en examen) illustrent ce processus, détaillé et minutieux. Cette démonstration est à visée terminologique et propose différents tableaux et figures chronologiques des différents noms du justiciable en France et aux États-Unis selon le moment de l’instruction. Illustrée par des traductions entre la langue française et anglaise, cette méthodologie peut être appliquée à d’autres systèmes juridiques et à d’autres langues et ouvre une nouvelle voie vers une traduction juridique documentée dans un monde où la judiciarisation envahit de nombreuses sphères de notre société. De plus cette méthodologie permet de lever l’intraduisibilité posée par certaines notions juridiques ancrées dans un système juridique spécifique pour un pays donné, d’élargir la base de connaissances du traducteur juridique et d’identifier ce qu’est la langue de spécialité, le discours juridique et les jurilectes.
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 | 0.008 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.008 | 0.007 |
| Science and technology studies | 0.006 | 0.010 |
| Scholarly communication | 0.015 | 0.009 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.015 | 0.003 |
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".