Traduire pour l’édition aujourd’hui : quatre traductrices racontent
Bibliographic record
Abstract
Qui n'a pas rêvé de traduire un livre, d'avoir son nom dans l'ours ou en quatrième de couverture ?Traduire pour une maison d'édition : le Graal.Beaucoup de candidat•es, peu d'élu•es, et les expériences sont diverses.Alors, comment décrocher un projet ?Quelles sont les contraintes propres à ce domaine ?Et quid des aspects financiers ?Nous avons interrogé quatre professionnelles :• Claire Billaud (CB), traductrice de l'anglais vers le français, spécialisée en édition jeunesse et correctrice ;• Bérengère Lepoutre Roudil (BLR), traductrice de l'anglais et de l'espagnol vers le français, réviseuse et correctrice ;• Amandine Pierru-Chantenay (APC), traductrice de l'anglais et de l'espagnol vers le français, spécialisée notamment dans le domaine artistique ;• Marie Renier (MR), traductrice de l'anglais vers le français en littérature jeunesse et bande dessinée.Précisons que les propos recueillis pour cet article sont le reflet de leurs expériences personnelles avec des maisons d'édition qui n'ont pas toutes le même fonctionnement, ni les mêmes moyens ou priorités. Traduire pour l'édition aujourd'hui
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 | 0.020 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.012 | 0.014 |
| Scholarly communication | 0.014 | 0.009 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.020 | 0.007 |
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".