Les termes entre traduction, vulgarisation, médiation et transfert des connaissances : le cas des revues <i>Scientific American</i> et <i>Pour la Science</i>
Bibliographic record
Abstract
La vulgarisation scientifique, pratique discursive dont les origines remontent au XVII e siècle, est aujourd’hui reconnue comme l’une des principales stratégies de transmission des savoirs issus du champ scientifique. Dans cette contribution, nous proposons une réflexion sur les formes contemporaines de cette pratique, à travers l’analyse d’un corpus d’articles récents constitué ad hoc , tirés de Scientific American et de son édition française, Pour la Science . Notre étude s’articule autour de deux objectifs complémentaires. D’un côté, nous cherchons à mettre au jour la place occupée par les termes dans ce processus de traduction intralinguale, c’est-à-dire une traduction de la langue savante vers une langue plus accessible. Cette analyse permet de mettre en lumière le rôle de la terminologie dans les articles retenus et d’examiner comment ces termes, en tant que vecteurs de connaissances spécialisées, sont mobilisés dans une opération de vulgarisation scientifique, elle-même envisagée sous l’angle de la traduction entre l’anglais et le français, dans le cadre des revues considérées. D’un autre côté, à partir d’un échantillon d’articles issus de notre corpus, nous proposons une analyse de leur traduction, qui est une traduction spécialisée à part entière, de l’anglais vers le français, afin d’alimenter une réflexion sur la figure du vulgarisateur : intermédiaire entre les spécialistes et les non-spécialistes, son rôle est d’interpréter le discours scientifique afin d’en permettre la compréhension. Il appartient à cette figure de prendre en compte à la fois les exigences des scientifiques et la spécificité de leur terminologie, ainsi que les attentes et les limites de compréhension d’un public qui ne maîtrise pas toujours l’usage des termes spécialisés propres à un domaine scientifique particulier.
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 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.005 | 0.007 |
| Science and technology studies | 0.008 | 0.043 |
| Scholarly communication | 0.019 | 0.015 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.005 | 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".