Interpréter pour des migrants : historique, dénominations, perspectives
Bibliographic record
Abstract
La demande en interprétation dans les services publics en France n’a cessé de croître depuis 1970, date à laquelle ISM (Inter Service Migrants) Interprétariat, fournisseur de services historique et toujours largement majoritaire sur le marché aujourd’hui, a commencé à proposer de tels services d’interprétation. Depuis 2015, la croissance de cette demande est encore plus forte, à l’exception d’une légère baisse en 2020 due au contexte de la pandémie. Pourtant, le secteur a du mal à se professionnaliser en raison des trop peu nombreuses formations spécifiques et parce que les principales langues de la migration (à l’exception de l’arabe et de l’anglais) ne sont pas celles que pratiquent les interprètes diplômés. Notre contribution entend exposer l’histoire du métier en France et son évolution, en s’appuyant notamment sur les données d’ISM Interprétariat, mais aussi de clients (Office français de protection des réfugiés et apatrides, 2023; Cour nationale du droit d’asile, 2023), avant d’essayer de nommer cette activité. Celle-ci a connu de multiples appellations en français allant de l’interprétation communautaire à l’interprétation dans les services publics (Pointurier, 2016), en passant notamment par l’interprétation en milieu social (Organisation internationale de normalisation, 2014), l’interprétation de dialogue (Niemants, 2015), l’interprétation en triade (Delizée, 2015) ou même la médiation interculturelle. Nous tenterons de montrer que les multiples appellations en anglais de l’activité (Wadensjö, 1998; Pöchhacker, 2004; Tipton et Furmanek, 2016) ne correspondent pas toujours exactement à leurs traductions respectives en français. Cette « prolifération des étiquettes » (Gambier, 2012) crée de la confusion, aggravée par l’ambiguïté du terme « médiation » (Pöchhacker, 2008), ce qui entrave très fortement la professionnalisation, et ce malgré les efforts en ce sens menés ces dernières années tant par les prestataires de services (Demaret, 2022) que par les universités. Enfin, nous conclurons avec les perspectives et les défis liés à cette professionnalisation.
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 | 0.007 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.012 | 0.014 |
| Scholarly communication | 0.009 | 0.006 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.008 | 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".