Traduction automatique et compétences pour la post-édition dans l’enseignement supérieur : une étude de cas dans le domaine de la finance
Bibliographic record
Abstract
L’essor de la traduction automatique a profondément transformé le secteur de la traduction professionnelle. En confiant aux logiciels la production d’une première traduction de plus en plus convaincante, les spécialistes peuvent désormais se concentrer sur les aspects les plus complexes du texte, notamment les dimensions lexicale et terminologique. Dans le cadre du projet Lingua-Q : IA et post-édition dans la traduction spécialisée plurilingue , l’équipe de l’Osservatorio di Terminologie e Politiche Linguistiche – OTPL (Università Cattolica del Sacro Cuore, Milan) analyse la qualité de la traduction automatique dans une perspective didactique, en vue de proposer une formation à la post-édition destinée aux étudiant·es de sciences linguistiques et de langues, littératures et cultures étrangères. Cette étude se compose de trois sections principales. Tout d’abord, l’analyse des résultats d’un questionnaire soumis à un groupe d’étudiant·es de master sur leurs attentes et besoins de formation en traduction et post-édition. Ensuite, la constitution d’un corpus de textes en français dans le domaine de la finance durable et éthique traduit à l’aide d’un logiciel de traduction automatique, dont l’évaluation de la qualité a servi à la préparation du matériel didactique. Enfin, la mise en oeuvre d’une séquence didactique pour la promotion d’un emploi responsable des outils de traduction automatique. Les résultats de cette expérimentation mettent en évidence l’importance d’une formation spécifique à la post-édition, désormais considérée comme une compétence essentielle pour les spécialistes de langues.
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 | 0.013 | 0.033 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.003 | 0.005 |
| Scholarly communication | 0.011 | 0.010 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| 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".