Comprendre les syntagmes nominaux spécialisés : enjeux cognitifs et défis traductifs
Bibliographic record
Abstract
Cet article examine la compréhension des syntagmes nominaux (SN) spécialisés en anglais dans le cadre du modèle Construction-Intégration, pour les besoins de la traduction professionnelle et de la formation des traducteurs. Nous montrons que cette compétence dépasse la reconnaissance morphosyntaxique et mobilise des opérations cognitives dynamiques (inférences, activation des connaissances, validation contextuelle) face à des difficultés récurrentes : ellipses, faux monolithiques, SN terminologisés non répertoriés, collocations spécialisées à antinomie interne et relations internes équivoques. À partir d’une cartographie des difficultés par type de SN simples, composés, complexes et mixtes (mise en facteur d’une partie terminologisée et d’un élément libre), nous proposons un décodage incrémentiel (repérer le noyau, cartographier les constituants, formuler des hypothèses de lecture, contre-vérifier les hypothèses puis valider en fonction des savoirs disciplinaires) et des méthodes transférables (reconstruction de la forme longue, double stratégie lecture lexicalisée/compositionnelle, analyse modification/complémentation, traduction discursive pour désamorcer la sur‑terminologisation). Le tableau de synthèse (Tableau 2) structure ces recommandations pour la formation et l’auto‑apprentissage. Enfin, nous ouvrons une double perspective : empirique, pour valider et mesurer l’impact des mécanismes sur la décision traductive; didactique, pour concevoir des dispositifs pédagogiques interactifs et des protocoles d’évaluation adossés aux méthodes de décodage. Dans un contexte de densification terminologique, nous plaidons pour une assistance technologique qui augmente et accompagne le raisonnement humain, plutôt que de s’y substituer.
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 | 0.003 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.004 |
| Scholarly communication | 0.005 | 0.007 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 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".