Traduction humaine et postédition : contrôle qualité en contexte académique
Bibliographic record
Abstract
Notre étude s’inscrit dans le prolongement d’une recherche expérimentale comparative de traduction humaine (TH) et de postédition (PE) (anglais-français), menée en 2018 avec des étudiants de 3e bachelier en traduction (Schumacher 2020b). Dans cet article, nous présentons les résultats d’une 2e expérience contrôlée effectuée en 2021 avec des étudiants de master. L’objectif est de comparer les produits de la TH et de la PE de traduction automatique (TA) neuronale (DeepL et Google Traduction) et de contribuer au débat sur l’actualisation de la formation initiale des traducteurs. L’analyse quantitative de cette 2e expérience fait ressortir que les textes postédités ont été considérés de meilleure qualité globale que les TH. Les résultats de l’évaluation humaine de la qualité ont également révélé de très hauts taux de réussite en PE (particulièrement avec DeepL) et ont permis de confirmer l’existence d’un effet nivelant en PE sur la qualité des textes cibles : la PE – en particulier avec Google Traduction – a donné lieu à une relation inverse entre le niveau d’un étudiant en TH et la qualité de sa PE. Autrement dit, plus l’étudiant est faible en TH, plus il tire avantage de la PE et vice versa. Enfin, il semblerait que la qualité d’une PE dépende du système de TA neuronale ; les étudiants ayant obtenu de meilleurs résultats avec DeepL.
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 | 0.010 | 0.043 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.008 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.013 | 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".