https://atradire.pergola-publications.fr/index.php?id=395 Après la traduction automatique neuronale (TAN), la mise à disposition de nouveaux outils d’intelligence artificielle générative fin 2022 a relancé certaines discussions autour de l’utilisation des nouvelles technologies dans le monde de la traduction. Ces outils sont-ils utiles ou bien représentent-ils une menace pour le secteur ? Se pose alors de façon cruciale la question de leur intégration dans le cadre de la formation des futur·es professionnel·les. Comme pendant toute phase de réflexion, des expérimentations sont menées, qui donnent lieu à des retours d’expérience (études universitaires mais aussi retours du monde professionnel), et c’est ce que propose ce numéro, avec une série de contributions sur la prise en compte des différents outils faisant intervenir de l’IA (TAN et grands modèles de langage) dans la formation aux professions langagières et leur impact. Il y est ainsi question : des compétences en traduction et des moyens d'intégrer l'IA dans la formation des futurs traducteurs et traductrices ; de résultats comparés de la TAN et de l'IA par rapport aux enseignements de la traduction raisonnée de Delisle ; de la perception, aussi bien étudiante qu'enseignante, de l'IA dans l'acquisition de la compétence de rédaction académique ; d'auto-détermination des futurs professionnels à partir d'enseignements reflétant les usages réels sur le marché ; de prospective dans le domaine de la communication technique et de l'interprétation. Le numéro inaugure de nouvelles rubriques de la revue qui complètent le dossier scientifique : retours d'expérience, recherches étudiantes et professionnelles. Elles s'ajoutent à la rubrique « Traduire la traductologie » créée en 2022 et enrichie ici d'une nouvelle contribution étudiante. Following in the footsteps neural machine translation (NMT), the new generative artificial intelligence (GenAI) tools made available at the end of 2022 have rekindled a number of discussions about the use of new technologies in the translation sector. Are they useful, or do they pose a threat to the industry itself? This raises the crucial question of how to integrate them in the training of future professionals. As in any phase of reflection, experiments are conducted, feedback (academic studies, as well as feedback from professionals) is shared among the stakeholders. This is exactly what this issue offers: a series of contributions about the different tools involving AI (NMT and large language models) that need to be taken into account in the training of language professionals and their impact. They deal more precisely with: translation competences and ways of integrating AI into the training of future translators; compared results of NMT and AI in relation to Delisle’s teaching on reasoned translation; the perception, by both students and teachers, of AI in the acquisition academic writing skills; the self-determination of future professionals on the basis of teaching that reflects real use in the market; foresight in the field of technical communication and interpretation. This issue introduces new sections that complement the scientific dossier: feedback, student and professional research. Besides, the ‘Translating translation studies’ section, that was created in 2022, is enriched here by a new student contribution. Después de la traducción automática neuronal (NMT), las nuevas herramientas de inteligencia artificial generativa al alcance de todos a finales de 2022 han reavivado el debate sobre el uso de las nuevas tecnologías en el sector de la traducción. ¿Son útiles estas herramientas o suponen una amenaza para la profesión? Se plantea así la cuestión crucial de cómo integrarlas en la formación de los futuros profesionales. Como en cualquier fase de reflexión, se llevan a cabo estudios que aportan resultados a partir de un balance de experiencia (tanto del mundo académico como del de los profesionales). Eso es precisamente lo que propone este número a través de una serie de contribuciones centradas en el uso de diversas herramientas que recurren a IA (TAN y grandes modelos de lenguaje) en la formación de profesiones lingüísticas y en el impacto que conlleva. Se abordan temas como: las competencias traductoras y las formas de integrar la IA en la formación de los futuros traductores; resultados comparativos de TAN e IA en relación con el enfoque de Delisle sobre la traducción razonada; la percepción, tanto por parte de los estudiantes como de los profesores, de la IA en la adquisición de competencias de redacción académica; la autodeterminación de los futuros profesionales sustentada por una enseñanza que refleje el uso real de estas herramientas en el mercado; el análisis prospectivo en los ámbitos de la comunicación técnica y la interpretación. Este número introduce nuevas secciones complementarias del dossier científico: «Balances de experiencia» e «Investigación estudiantil y profesional». Se suman a la sección «Traducir la traductología» creada en 2022 y ampliada aquí con una nueva contribución estudiante. Nach der neuronalen maschinellen Übersetzung (NMÜ) hat die Einführung neuer Tools für generative künstliche Intelligenz Ende 2022 die Diskussionen um den Einsatz neuer Technologien in der Übersetzungsbranche neu entfacht. Sind diese Werkzeuge nützlich oder stellen sie eine Bedrohung für die Branche dar? In diesem Zusammenhang stellt sich die entscheidende Frage, ob sie in die Ausbildung der zukünftigen Fachkräfte integriert werden sollten. Wie in jeder Denkphase werden Experimente durchgeführt, die zu Rückmeldungen führen (akademische Studien, aber auch Rückmeldungen aus der Berufswelt). Genau das bietet diese Ausgabe mit Beiträgen über die verschiedenen KI-Tools (NMÜ und Large Language Models) und ihre usiin der Ausbildung für Sprachberufe und ihre Auswirkungen. Es werden folgende Themen behandelt: Übersetzungskompetenzen und die Möglichkeiten, KI in die Ausbildung zukünftiger Übersetzerinnen und Übersetzer zu integrieren; Vergleich der Ergebnisse von NMÜ und KI auf der Basis der Prinzipien der „traduction raisonnée“ von Jean Delisle; Wahrnehmung von KI beim Erwerb der akademischen Schreibkompetenz aus studentischer und lehrender Perspektive; Wahrnehmung von KI bei zukünftigen Berufstätigen durch Lehreinheiten, die auf der tatsächlichen Nutzung von Tools auf dem Arbeitsmarkt beruhen; Zukunftsforschung im Bereich der technischen Kommunikation und des Dolmetschens. Mit dieser Ausgabe werden folgende neue Rubriken der Zeitschrift eingeführt, die das wissenschaftliche Dossier ergänzen: Erfahrungsberichte, studentische und berufliche Recherchen. Sie kommen zu der im Jahr 2022 eingeführten Rubrik „Übersetzen der Übersetzungswissenschaft“ hinzu, die hier durch einen neuen Beitrag von einer Studentin bereichert wird. Dopo la generalizzazione della traduzione automatica neurale (TAN), l’introduzione dell’intelligenza artificiale generativa alla fine del 2022 ha ulteriormente acceso il dibattito sull’uso delle nuove tecnologie nel mondo della traduzione. Questi strumenti sono utili o rappresentano una minaccia per il settore? Devono essere o no inseriti nei programmi di formazione dei professionisti del futuro? Come spesso accade nelle fasi di riflessione, le attività sperimentali sono fondamentali per ottenere riscontri tanto dal mondo universitario che professionale. Questo numero si inserisce proprio in quest’ottica con una serie di contributi che trattano l’uso e l’impatto degli strumenti basati sull’intelligenza artificiale (TAN e modelli linguistici di grandi dimensioni) nell’ambito della formazione alle professioni linguistiche. Gli argomenti affrontati comprendono: le competenze traduttive e le possibili integrazioni dell’IA nella formazione dei traduttori e delle traduttrici del futuro; i risultati comparati della traduzione automatica neurale e dell’intelligenza artificiale generativa rispetto all’approccio della traduzione ragionata di Delisle; la percezione dell’IA, sia da parte degli studenti che dei docenti, nell’acquisizione delle competenze di scrittura accademica; l’autodeterminazione dei professionisti del futuro sulla base di insegnamenti che riflettono gli usi reali sul mercato; le prospettive nel campo della comunicazione tecnica e dell’interpretariato. Il numero inaugura inoltre due nuove rubriche, intitolate “Esperienze sul campo” et “Ricerche studentesche e professionali”, che completano il dossier scientifico della rivista. Si aggiungono quindi alla rubrica “Tradurre la traduttologia”, creata nel 2022 e arricchita in questo numero da un nuovo lavoro che porta la firma degli studenti. Goude an troiñ emgefreeg neuronel (TEN) e oa bed lakaed e kerzh an oll benvegoù newez a naouegezh artifisel ganadurel (NAG) e fin 2022 ha raed e oa bed lañs en-dro, enta, d’ar c’hendivizoù àr implij an teknologiezhioù newez e bed an troiñ. Hag a dalvoudegezh int pe e lakaond en arvar an dachenn ? A bouez braz eo neuze klask goûd penaoz e c’hellond boud lakaed a-barzh stummadur an dud a yay àr ur vicher-lâr. Èl seul taol ma vez prederied àr un dra bennag, e vez kased taolioù-arnod da benn, a zegas bilañsoù (studiadennoù skolveurieg hag ewezhiadennoù a-berzh an dud a vicher iwez). Dres ar pezh a zo en niverenn-mañ eo, ged pennadoù-skrid àr benaoz e c’hell boud dalc’hed kont a venvegoù dishañwal diazezed àr an naouegezh artifisiel (TEN ha patromoù yezh braz) er stummiñ d’ar micherioù-lâr ha ged pesort dilerc’hioù. Kaoz zo enta : ag ar barregezhioù àr an troiñ hag ag ar fesonioù d’implij an naouegezh artifisiel (NA) ha da zalc’hen kon anezhoñ e stummadurioù an droerion da zoned ; a zisoc’hoù an TEN hag an NA e-keñwer kelennadurezhioù an troiñ rezoned diàr Delisle ; a santimant ar studierion hag ar gelennerion àr an NA pa vez afer a zeskiñ ha kelenn ar varregezh da skriw teulioù akademik ; a zibab an droerion da zoned diàr kentelioù a ziskouez penaoz e vez implijed an NA aweid gwir àr ar marc’had ; a imbourc’herezh àr dachennoù ar c’hehentiñ teknikel hag ar jubenniñ. Ged an niverenn-mañ e tigor rubrikennoù newez er gelaouenn hag a gloka an teuliad skiantel : ewezhiadennoù diàr skiant-prened, enklaskoù ged studierion ha tud a vicher. Ar rubrikenn « Troiñ skiant an troiñ » kroued e 2022 a gont enni un droidigezh oc’hpenn gwraed ged ur studiourez. Numéros fr ven., 21 févr. 2025 14:16:17 +0100 jeu., 10 juil. 2025 12:59:54 +0200 https://atradire.pergola-publications.fr/index.php?id=395 0 https://atradire.pergola-publications.fr/index.php?id=400 Dans ce court entretien, on a un point de vue, basé sur une expérience professionnelle de traductrice doublée d’une casquette de formatrice en traduction, sur l’utilisation de l’IA dans le domaine de la traduction. Il s’agit de définir la place de l’IA, de décrire un projet de post-édition, sans oublier de pointer les écueils des nouvelles technologies. Ces évolutions conduisent à un véritable changement de paradigme dans les pratiques et il est nécessaire de se positionner face à cette nouvelle réalité. La définition de ce qu’est une bonne traduction est rappelée, avant de juger de l’opportunité de faire appel à l’IA ou à la TAN. Enfin, il est questions des talents indispensables au traducteur en 2024. ven., 21 févr. 2025 15:31:11 +0100 https://atradire.pergola-publications.fr/index.php?id=400 https://atradire.pergola-publications.fr/index.php?id=437 Cette contribution aborde la continuité de la formation des professionnels de la traduction à la lumière des récentes avancées dans le domaine de l’IA, notamment les défis qu’elle présente dans le champ pédagogique. Fondée sur l’observation des classes de traduction et de post-édition, la réflexion inclut des témoignages d’étudiantes et souligne la nécessité de trouver un équilibre dans l’enseignement des compétences en post-édition. Elle insiste sur une approche au plus près du métier : la présentation de pratiques professionnelle, l’intégration raisonnée d’outils d’IA et la capacité à surpasser la machine, tout en présentant de façon transparente les implications éthiques, les réalités du marché et les futures conditions de travail. L’approche par projet favorise la collaboration et l’adaptabilité des étudiants, avec un objectif : les aider à faire des choix éclairés quant à leur utilisation professionnelle de l’IA et parvenir à l’autodétermination dans leur carrière. The article explores how to continue training language professionals in the context of the recent developments of AI. It addresses the challenges and opportunities AI presents to translation and language education. Based on observations in translation and post-editing classes, the study includes testimonies from translation students and highlights the need for a balanced approach to teaching post-editing skills. Emphasis is placed on real-world professional practices, integrating AI tools, and developing students’ ability to outperform AI in translation tasks. The article also covers ethical implications, market realities, and future work conditions for budding translators. Practical workshops and project-based learning are key components of the proposed methodology, fostering collaboration and preparing students for diverse translation scenarios, to help them make informed choices about using AI in their professional practice, ultimately achieving self-determination in their careers. jeu., 27 mars 2025 11:09:51 +0100 https://atradire.pergola-publications.fr/index.php?id=437 https://atradire.pergola-publications.fr/index.php?id=402 Les intelligences artificielles génératives (ChatGPT, Gemini, etc.) et les moteurs de traduction comme DeepL sont présentés comme une solution de traduction universelle, gratuite et omniprésente. Dans la tradition des recherches en IA, la traduction est un problème à résoudre : il s’agit de communiquer des messages non ambigus, en éliminant la barrière de la langue, selon le paradigme de la solution. Or la langue est aussi un creuset d’échanges et de réflexion, une expérience de l’altérité. Nous pourrions utiliser l’IA à rebours de ce qui est suggéré par les interfaces : au lieu de produire une solution unique (output), générer des variations. La démarche pédagogique consiste à déplier la complexité du texte à partir des productions de l’IA, de ses limites et des erreurs. Les exercices portant sur la reformulation dans une même langue, sur l’analyse préalable du texte et sur la comparaison de traductions visent à développer un regard critique chez les étudiants, à stimuler leur créativité et à leur redonner la main (agency). Generative artificial intelligences (ChatGPT, Gemini, etc.) and translation engines like DeepL are presented as a universal, free and ubiquitous translation solution. In the tradition of AI research, translation is a problem to be solved: the aim is to communicate unambiguous messages, eliminating the language barrier. AI operates within the solution paradigm. Yet language is also a crucible of exchanges and reflections, an experience of otherness. We could use AI in the opposite direction to what is framed by interfaces: instead of producing a single output, generate variations. The pedagogical focus here is on unfolding the complexity of the text, by harnessing AI’s productions, limitations and errors. Three types of exercises – paraphrasing in the same language, prior analysis of the text and comparison of translations– are designed to develop students’ critical faculties, stimulate their creativity and their agency. As inteligências artificiais generativas (ChatGPT, Gemini, etc.) e os motores de tradução como o DeepL são apresentados como uma solução de tradução universal, gratuita e omnipresente. Na tradição da investigação em IA, a tradução é um problema a resolver: o objetivo é comunicar mensagens sem ambiguidades, eliminando a barreira linguística. A IA funciona no âmbito do paradigma da solução. Mas a língua é também um cadinho de trocas e reflexões, uma experiência de alteridade. Poderíamos utilizar a IA na direção oposta à que é enquadrada pelas interfaces: em vez de produzir um único resultado, gerar variações. O objetivo pedagógico consiste em revelar a complexidade do texto, tirando partido das produções, limitações e erros da IA. Três tipos de exercícios – paráfrase na mesma língua, análise prévia do texto e comparação de traduções – são concebidos para desenvolver as faculdades críticas dos alunos, estimular a sua criatividade e a sua agência. ven., 21 févr. 2025 16:08:54 +0100 https://atradire.pergola-publications.fr/index.php?id=402 https://atradire.pergola-publications.fr/index.php?id=549 jeu., 24 avril 2025 18:32:52 +0200 https://atradire.pergola-publications.fr/index.php?id=549 https://atradire.pergola-publications.fr/index.php?id=450 Un nombre croissant d’études suggère que l’intelligence artificielle générative (IAGén) peut constituer un atout pour l’apprentissage de l’écriture universitaire, et son potentiel pour soutenir le travail des tuteurs en écriture dans les Writing Centers suscite un intérêt grandissant. Il a notamment été observé que l’IAGén peut rapidement évaluer la structure des textes et produire des retours en fonction des critères intégrés dans les prompts. Cependant, malgré ce potentiel prometteur, une forte réticence à l’égard de l’IAGén persiste dans l’enseignement supérieur, souvent liée à des inquiétudes quant à son impact sur les apprentissages et sur le développement de l’esprit critique. Ces perceptions négatives peuvent à leur tour influencer la réceptivité des étudiants à apprendre à utiliser l’IAGén de manière efficace pour accompagner leurs tâches d’écriture. La présente étude examine le rôle que les Writing Centers pourraient jouer dans l’atténuation de ces perceptions. Elle s’appuie sur un contexte universitaire français, au sein d’un Writing Center d’université de taille moyenne. Deux enquêtes ont été menées : l’une auprès de dix enseignants-chercheurs issus des domaines des sciences, de la santé et des sciences humaines, et l’autre auprès de 32 étudiants relevant des mêmes disciplines. L’objectif était d’explorer leurs perceptions des avantages et des limites de l’IAGén pour l’écriture universitaire, ainsi que son utilité potentielle dans les séances de tutorat. Cette recherche s’inscrit dans une enquête plus large portant sur les perceptions de l’IAGén dans l’enseignement supérieur en France et au Québec. Les résultats révèlent un ensemble de croyances et de représentations qui orientent nos recommandations à destination des Writing Centers : formation des tuteurs à l’usage de l’IAGén en séance, sensibilisation des étudiants aux bonnes pratiques, et initiatives visant à impliquer les enseignants dans leur diffusion. Cette étude, en complément d’autres travaux émergents, ouvre la voie à de futures explorations sur la manière dont l’IAGén peut être exploitée dans les Writing Centers afin de soutenir le développement des compétences essentielles à la maîtrise de l’écriture universitaire. There is mounting evidence that artificial intelligence can be beneficial for learning academic writing tasks. Accordingly, its potential for supporting writing peer tutors’ work with students in Writing Centers has been garnering increasing attention. It has been observed, for example, that the structure of texts can be quickly assessed by AI, which then generates feedback for tutors while considering the criteria they have proposed in prompts. Despite the enormous potential of AI to support student learning during writing peer tutoring sessions, there has been considerable pushback by faculty and higher education institutions, concerned about its negative impact on students’ critical learning. These negative attitudes can in turn impact students’ receptiveness toward learning how they might use AI strategically to support their writing tasks. This study examines the role Writing Centers might play in mitigating these negative perceptions. The context for the study is a graduate school Writing Center at a mid-sized university in France. Two comprehensive surveys targeting 10 faculty teachers from STEM and HHS fields and 32 graduate students from those fields have been designed to explore instructors’ and students’ perceptions about the benefits and drawbacks of AI in academic writing tasks, and its potential usefulness in tutoring sessions. This study is part of a broader inquiry into perceptions about AI across higher education institutions in France and Quebec. The results reveal underlying attitudes and beliefs about AI, providing research-informed principles for orienting Writing Center actions, including training tutors on how to communicate about and work with AI during their sessions, and how Writing Centers might expand outreach initiatives to bring faculty on board with emerging best practices. Such studies further lay the groundwork for future explorations about how AI can be leveraged in Writing Centers to help students develop core writing competencies. jeu., 27 mars 2025 14:30:04 +0100 https://atradire.pergola-publications.fr/index.php?id=450 https://atradire.pergola-publications.fr/index.php?id=471 Face aux enjeux de la mutation technologique que vit le secteur des services langagiers, cet article propose le compte rendu de deux entretiens semi-directifs menés avec deux représentants du domaine de la traduction, Thierry Fontenelle (Banque européenne d’investissement) et Nicolas Froeliger (Université Paris Cité). Ces entretiens s’inscrivent dans le cadre du projet européen LT-LiDER qui vise à moderniser l'enseignement des langues et de la traduction en mettant notamment l’accent sur la culture et la maîtrise des données (data literacy). En nous appuyant sur ces deux témoignages, nous tentons à la fois de rendre compte des changements en cours dans l’industrie des langues et de déterminer les besoins et les attentes du secteur en vue de l’actualisation des formations proposées aux futures générations de traductaires. In light of the challenges posed by the technological disruption in the language services industry, this article presents a report of two semi-structured interviews conducted with translation experts, Thierry Fontenelle (European Investment Bank) and Nicolas Froeliger (Université Paris Cité). The interviews form part of the European project LT-LiDER, which aims to modernise language and translation training programmes with a particular focus on data literacy. Drawing on these two testimonies, we aim to both account for the ongoing changes in the language industry and identify the needs and expectations of the market in order to update the training offered to future generations of translators. Angesichts der Herausforderungen, die der technologische Wandel im Bereich der Sprachdienstleistungen mit sich bringt, berichtet dieser Artikel über zwei halbdirektive Interviews mit den Übersetzungsexperten Thierry Fontenelle (Europäische Investitionsbank) und Nicolas Froeliger (Université Paris Cité). Diese Interviews wurden im Rahmen des europäischen Projekts LT-LiDER durchgeführt, dessen Ziel es ist, die Sprach- und Übersetzerausbildung zu modernisieren, wobei ein besonderer Schwerpunkt auf Data Literacy liegt. Auf der Grundlage dieser beiden Aussagen versuchen wir, sowohl über die laufenden Veränderungen in der Sprachindustrie zu berichten als auch die Bedürfnisse und Erwartungen der Branche zu ermitteln, um die Ausbildung für zukünftige Generationen von Übersetzern auf den neuesten Stand zu bringen. ven., 28 mars 2025 09:39:44 +0100 https://atradire.pergola-publications.fr/index.php?id=471 https://atradire.pergola-publications.fr/index.php?id=488 mer., 09 avril 2025 13:08:28 +0200 https://atradire.pergola-publications.fr/index.php?id=488 https://atradire.pergola-publications.fr/index.php?id=513 This paper reports on a 2-stage experiment aimed at assessing machines’ ability to “reason” in translation The experiment was built around Jean Delisle’s pedagogy textbook La traduction raisonnée which has been used in English-French translator training for more than 40 years, in Canada and around the world. We put Bing Translator, Google Translate and DeepL – neural machine translation systems – as well as ChatGPT, NotionAI and Gaby-T – generative AI systems – to the test, using a selection of examples taken from the textbook and analyzing the results considering the background information and explanations provided, more specifically in the 30 chapters from where the examples were taken. In this paper, we first explore what inspired Delisle’s work and what he means by “reasoned translation”. Then, we focus on presenting the methodology and the results of our two pilot main experiments. Lastly, we offer some insights into potential future research avenues in translator training and beyond. La traduction raisonnée est le titre que le traductologue Jean Delisle a donné à son célèbre manuel de pédagogie, utilisé depuis 40 ans dans la formation des traducteurs anglais-français au Canada et dans le monde entier. Ce titre résume bien la prémisse du manuel : un traducteur (humain) bien formé a la capacité de raisonner ; une bonne traduction en est une raisonnée. Paru en 1993, le manuel a été réédité tous les dix ans; pour les deuxième et troisième éditions, Delisle a recruté d’autres formateurs et chercheurs en tant que conseillers, co-auteurs ou auteurs uniques de certains objectifs (des chapitres portant sur une difficulté ou un sujet particulier). Aujourd’hui, plus de dix ans après la publication de la troisième et dernière édition, le manuel mérite une relecture à l’ère de la traduction automatique neuronale (TAN) et de l’intelligence artificielle (IA) afin de mettre en perspective la notion de « traduction raisonnée ». Ces dernières années, le domaine du traitement automatique des langues connaît des progrès fulgurants, principalement attribuables à l’émergence de grands modèles de langage tels que les modèles de transformateurs génératifs pré-entraînés, communément appelés « IA générative ». Ces modèles, entraînés sur de vastes quantités de données textuelles, suscitent un certain engouement en raison de leur capacité à générer du texte en quelques secondes sur la base de requêtes de l’utilisateur, en plus de leurs capacités conversationnelles. Cette percée a entraîné une nouvelle vague de recherches en linguistique informatique et dans des domaines connexes, notamment pour explorer les moyens d’affiner ces modèles dans le cadre de tâches spécifiques comme la traduction et l’évaluation des traductions. Cela dit, les programmes de TAN et d’IA générative peuvent-ils passer ce que nous appelons le « test de Delisle » ? En d’autres termes, montrent-ils des signes d’une capacité à raisonner, comme le font d’ailleurs les traducteurs humains adéquatement formés lorsqu’ils traduisent de l’anglais vers le français ? Pour le découvrir, nous avons mis à l’épreuve des programmes de TAN (MS Bing Translator, Google Translate et DeepL) et d’IA générative (ChatGPT, NotionAI et Gaby-T) en utilisant une sélection d’exemples tirés de 30 objectifs de la troisième édition de La traduction raisonnée et en analysant les résultats à la lumière des explications fournies dans le manuel. Ces outils produisent-ils des traductions « raisonnées » ? En quoi cette capacité ou incapacité se répercutera-t-elle sur la pédagogie de la traduction à l’avenir ? Dans son manuel, Delisle suggère qu’apprendre à traduire, c’est apprendre à aborder un texte de manière « raisonnée », c’est-à-dire à découvrir progressivement tous les éléments qui interviennent dans le transfert interlinguistique. Il rappelle également à l’apprenant que le manuel ne doit pas être utilisé comme un livre de recettes. Les exemples ou les modèles de phrases ou de textes traduits de l’anglais au français fournis tout au long de l’ouvrage ne sont pas les seules traductions acceptables : ils servent plutôt à montrer que les solutions à tout problème de traduction sont multiples et dépendent toujours du contexte. Les travaux de doctorat de Delisle, qui ont mené à la première édition de La traduction raisonnée, prônaient l’« analyse du discours comme méthode de traduction » ; ils mettaient l’accent sur la complexité des mécanismes intellectuels impliqués en traduction. L’analyse du discours appliquée à la traduction est particulièrement utile lorsqu’il s’agit de textes complexes qui nécessitent une compréhension nuancée des intentions de l’auteur original. En examinant le discours qui entoure le texte, les traducteurs peuvent repérer les stratégies rhétoriques, les références culturelles et les grands thèmes essentiels à l’interprétation du texte original et à l’objectivation de la traduction. Pour définir l’analyse du discours, Phillips et Hardy expliquent que les discours sont « matérialisés et mis en œuvre dans une variété de textes » (2002 : 4, notre traduction) aux formes diverses (langue écrite ou parlée, images, symboles, artefacts, etc.). Ils ajoutent que les textes ne revêtent aucun sens considérés isolément : le sens émerge plutôt de leur interrelation avec d’autres textes, des différents discours sur lesquels ils reposent et de la nature de leur production, de leur diffusion et de leur consommation. D’après ces auteurs, l’analyse du discours consiste à explorer la manière dont ces processus font émerger le sens des textes et comment cette production de sens contribue à construire la réalité sociale. L’analyse du discours s’intéresse donc aux effets constructifs du discours à travers l’étude structurée et systématique des textes (ibid.). Sans surprise, l’analyse du discours est pratiquée depuis des décennies par des traductologues comme Delisle et d’autres (par exemple, Brisset, 2010 ; Munday et Zhang, 2017 ; Schäffner, 2004 ; Zhang et al., 2015), car la traductologie ne peut que s’enrichir d’une étude structurée et systématique des textes. L’analyse du discours a mis en évidence les facteurs contextuels, les caractéristiques linguistiques, la pragmatique, l’intertextualité, l’idéologie et les relations de pouvoir, ainsi que les communautés discursives comme autant de pistes à suivre pour objectiver le processus de traduction. En appliquant l’analyse du discours à l’acte de traduire, les langagiers peuvent cerner des stratégies pour produire des textes de qualité dans la langue d’arrivée — une capacité que Delisle cherche à inculquer aux traducteurs en formation qui étudient attentivement La traduction raisonnée. Cette méthode de traduction raisonnée vise donc à cultiver chez les traducteurs en herbe un réflexe menant à une approche consciencieuse de la traduction qui privilégie l’analyse du discours et met en garde contre les raccourcis (calques syntaxiques ou lexicaux, choix du premier mot équivalent fourni par un dictionnaire bilingue, etc.). Les traducteurs formés raisonneront pour comprendre le message et le reformuler de manière idiomatique dans la langue d’arrivée (en l’occurrence, le français) tout en utilisant la terminologie appropriée. À terme, ils contribueront à préserver la structure et le style propres à la langue, ainsi que la richesse de son vocabulaire. En bref, La traduction raisonnée encourage les apprenants à raisonner lorsqu’ils traduisent, c’est-à-dire à adopter un état d’esprit attentif qui résiste aux raccourcis et qui mène à des textes réfléchis (Delisle et Fiola, 2013a : 422). Durant la phase initiale de cette étude, nous avons mené deux expériences pilotes. Pour la première, nous avons testé deux outils de différents types, DeepL et ChatGPT, en leur faisant traduire un texte de 230 mots. Pour ChatGPT, nous avons utilisé la requête « Traduisez le texte suivant en français : [texte en anglais] ». Le texte a été tiré de l’Objectif 73 — Réseaux lexicaux de la troisième édition du manuel (Delisle et Fiola, 2013a). Les auteurs ont emprunté l’exemple et l’analyse de cet objectif au linguiste et traducteur Maurice Pergnier, qui explique la notion de champs sémantiques et pourquoi un même mot (soit land dans le cas analysé) répété huit fois en anglais ne peut pas être traduit huit fois par le même mot en français. Delisle et Fiola soutiennent que le traducteur commettrait une erreur méthodologique s’il limitait la traduction de ce mot à un seul équivalent, voire aux équivalents fournis par les dictionnaires bilingues. Ils concluent que les unités linguistiques n’ont pas simplement une valeur de langue, mais plutôt une valeur de discours. Ce n’est que grâce à l’analyse du discours qu’on arrive, dans ce cas, à un mot précis dans la traduction française pour chaque occurrence du mot land. Les deux systèmes ont échoué au « test de Delisle », car ils ont traduit systématiquement les huit occurrences de land par « terre » ou « terres » au lieu d’utiliser d’autres termes plus précis qui conviendraient mieux dans cinq des huit occurrences. La deuxième expérience pilote consistait à rédiger une requête destinée aux programmes d’IA générative. La requête donnait à l’outil des exemples tirés de l’Objectif 30, consacré à la difficulté de traduire le mot available : deux segments en anglais et les exemples de traductions françaises correspondantes du manuel. Dans le cadre de cette expérience, nous voulions converser en français avec l’outil et lui demander d’expliquer, d’après les deux exemples fournis, la stratégie employée par le traducteur et la raison de son choix. Après ce test, nous avons formulé une deuxième requête en utilisant les deux mêmes exemples, mais en demandant cette fois à l’outil de tenir compte des deux exemples fournis pour traduire un troisième segment qui contenait la même difficulté d’ordre lexical, available. Les réponses de l’outil présentaient des signes indicateurs d’un « raisonnement » (ou une bonne imitation de celui-ci) comme le travail d’un traducteur adéquatement formé. Ces premières observations nous ont amenés à la conception d’une expérience formelle. L’expérience principale a été menée en deux étapes, en juin et en décembre 2023. À la première étape, nous avons compilé un corpus composé de segments en anglais extraits de 15 objectifs de la section du manuel consacrée aux difficultés d’ordre syntaxique. Nous avons utilisé des textes plus courts que dans la première expérience pilote. Nous avons extrait au hasard trois segments anglais par objectif, pour un total de 45. Chaque segment a été traduit à l’aide des six outils sélectionnés. Pour chacun des 45 segments en anglais, nous disposions donc de six traductions en français générées de façon automatique; trois produites par la TAN et trois par l’IA générative. Bien entendu, aucune requête n’a été utilisée lors de la traduction à l’aide des outils de TAN. Dans le cas des outils d’IA générative, la requête était simple : « Traduisez le texte suivant en français : [segment en anglais] ». Pour la deuxième étape de l’expérience, nous avons répété l’opération avec 15 autres objectifs du manuel, cette fois tirés de la section consacrée aux difficultés d’ordre lexical. Ainsi, nous avons compilé un total de 90 segments, tous traduits six fois. Ensuite, nous avons formulé 30 « super-requêtes », une par objectif étudié et inclus dans l’expérience, en suivant le modèle de la deuxième expérience pilote. Nous avions déjà extrait trois segments en anglais de chaque objectif. Les deux premiers, ainsi que leur traduction en français fournie dans le manuel, ont servi d’exemples à partir desquels le programme devait « apprendre ». En outre, pour fournir un contexte étoffé à l’IA, nous avons résumé le contenu de l’objectif dans un paragraphe de 100 à 150 mots pour chaque super-requête. Il s’agissait de résumer le « raisonnement » du traducteur, tel qu’expliqué dans le manuel, lors de la traduction des deux segments, de fournir des explications supplémentaires, puis de terminer la requête en demandant au système de traduire une troisième phrase, tout en lui rappelant quoi faire ou ne pas faire, soit la condition à respecter pour produire une traduction « raisonnée ». Dans le corpus, nous avons également inclus les segments traduits à l’aide des « super-requêtes » au cours des deux phases de l’expérience. Au total, nous avions 585 segments à analyser à la deuxième phase. Une fois le corpus compilé, nous sommes passés à l’évaluation des outils de TAN et d’IA générative pour déterminer s’ils avaient réussi le « test de Delisle » en traduisant chaque segment. Lors de l’analyse des données, nous avons indiqué « réussi » lorsque la traduction d’un segment avait l’apparence d’une traduction « raisonnée », c’est-à-dire qu’elle évitait le calque syntaxique ou lexical fréquent chez les traducteurs sans formation adéquate (et critiqué par la méthode de Delisle) avec une proposition semblable à celle d’un traducteur humain bien formé. Soulignons que, dans notre expérience, le fait de « réussir le test » ne signifiait pas nécessairement que la traduction était parfaite. Notre analyse ne portait que sur le mot ou la structure syntaxique traitée dans chacun des objectifs, mais nous avons relevé, y compris dans certains segments ayant passé le test, d’autres types de tournures critiquables selon la méthode de la traduction raisonnée ou qu’un évaluateur humain aurait rejetées. Dans l’ensemble, nous avons observé que les deux types d’outils à l’essai (la TAN et l’IA générative) fournissaient de meilleurs résultats pour les segments tirés des objectifs sur les difficultés d’ordre lexical que pour ceux des difficultés d’ordre syntaxique, en particulier dans les cas d’essai avec la super-requête. Cependant, d’importantes variations émergeaient d’une analyse des totaux généraux : par exemple, dans certains cas, la traduction de tous les segments d’un même objectif réussissait ou non le test selon le type d’outil. L’analyse des données expérimentales nous a menés à une réflexion sur le potentiel de ce que nous proposons d’appeler la « rédactique avancée » (en anglais, advanced prompt engineering), sujet de recherche prometteur en traductique, en pédagogie de la traduction et d’autres domaines. Cette forme de rédactique (prompt engineering) se pencherait sur l’utilisation de requêtes avancées (en faisant appel à des few-shot prompts, c'est-à-dire des requêtes assorties d'exemples et de démonstrations) pour effectuer des tâches langagières, y compris traduire. Notre étude visait en partie à examiner l’incidence des requêtes sur la capacité des machines à « raisonner » en traduction. Nous voulions déterminer s’il est possible, comme on le fait d’ailleurs pour les apprenants humains, de « dire » aux machines quoi faire ou ne pas faire en traduction et de leur expliquer pourquoi à l’aide d’exemples. Des phases exploratoires à l’expérience principale, nous avons constaté une amélioration notable de la performance globale des programmes d’IA générative lorsqu’ils recevaient les super-requêtes, ce qui indique le potentiel de l’expertise humaine appliquée à l’augmentation des capacités de traduction pilotées par l’IA. Ces super-requêtes ont fourni aux modèles d’IA quelques exemples, des indices contextuels et des instructions pour faciliter la production de traductions qui présentaient un raisonnement comparable à celui de traducteurs humains. En revanche, nous devons reconnaître la complexité inhérente à la rédactique, notamment en ce qui concerne la poursuite des objectifs de l’analyse du discours prônés par Delisle et d’autres traductologues. Bien que nos requêtes avancées aient permis d’améliorer la performance des outils à l’essai, leur processus d’élaboration s’est avéré laborieux et chronophage. Malgré certaines améliorations, les traductions générées à l’aide de requêtes avancées dans notre étude ne semblaient pas adhérer pleinement aux principes de la méthode de la traduction raisonnée promue par Delisle, ses collaborateurs et d’autres chercheurs. En effet, même si un segment donné « réussissait le test » grâce à la requête avancée, il contenait parfois d’autres types d’erreurs traitées dans le manuel : des fautes de langue ou de transfert qui auraient été repérées, corrigées, voire complètement évitées par un traducteur adéquatement formé, c’est-à-dire ayant acquis le réflexe de raisonner en traduisant. L’intérêt de recourir aux requêtes avancées mérite d’autres études en traductologie. Si les requêtes semblent prometteuses pour améliorer la performance des outils d’IA générative en traduction, leur efficacité n’a pas été évaluée. Pour l’instant, étant donné les limites manifestes des traductions générées à partir de requêtes dans le but de reproduire les capacités d’analyse et d’interprétation de traducteurs humains bien formés, nous estimons qu’il demeure préférable d’investir en priorité dans la formation des traducteurs humains — et dans celle de leurs formateurs. La recherche pourrait également favoriser la conception de ressources pédagogiques semblables à La traduction raisonnée offertes sur différents supports (livres électroniques, plateformes d’apprentissage numériques, etc.) et adaptées à différentes combinaisons de langues et aux situations réelles de traduction et de communication interculturelle. En conclusion, l’exploration de l’approche de la « traduction raisonnée » dans le contexte des outils de traduction contemporains basés sur l’IA offre de fascinantes perspectives dans le paysage évolutif du traitement automatique des langues. En pédagogie de la traduction, l’œuvre pionnière de Jean Delisle préconise une méthode fondée sur le raisonnement, attribut traditionnellement associé aux traducteurs humains. L’évaluation des capacités des modèles de TAN et d’IA générative sous l’angle de la théorie de Delisle nous confronte à des questions fondamentales sur la nature de la traduction et sur le rôle de l’intelligence humaine dans l’accomplissement de tâches linguistiques (par exemple, l’intelligence requise pour effectuer l’analyse du discours). Notre étude sur les capacités de traduction de divers programmes de TAN et d’IA générative met en évidence les promesses et les limites des technologies de traduction pilotées par l’IA, ainsi que la nécessité de poursuivre les recherches sur la « rédactique avancée ». Elle signale également l’intérêt d’inclure ces technologies et les sujets connexes dans les programmes de formation des traducteurs. Bien que l’IA continue de faire des progrès remarquables, elle ne parvient souvent pas à reproduire la profondeur de raisonnement caractéristique des traducteurs humains ayant reçu une formation adéquate. Tout effort d’intégration de l’IA dans la pratique de la traduction nécessite un examen approfondi de la manière dont on peut enseigner le raisonnement humain à ces outils : comment peuvent-ils dépasser une production linguistique superficielle pour arriver à une compréhension élargie des nuances sémantiques et culturelles? À l’intersection entre tradition et innovation, le concept de « traduction raisonnée » sert de principe directeur pour façonner l’avenir de la pédagogie et des technologies de la traduction, ainsi que pour faire progresser notre compréhension des compétences linguistiques des machines. Malgré le rôle accru des technologies en traduction, il existe toujours une demande pour des traducteurs humains. Dans un avenir proche, la formation universitaire des traducteurs restera essentielle, de même que les autres formes de perfectionnement professionnel continu incitant les apprenants à adopter un état d’esprit attentif qui résiste aux raccourcis, comportement qui mène à un processus de traduction réfléchi et efficace, ainsi qu’à la préservation du caractère idiomatique de la langue d’arrivée. Este artículo presenta un experimento en dos fases diseñado para evaluar la capacidad de «razonamiento» de las máquinas en el contexto de la traducción. El experimento se basó en el libro La traduction raisonnée de Jean Delisle, que se ha utilizado en la enseñanza de la traducción inglés-francés durante más de 40 años, en Canadá y otras partes del mundo. Pusimos a prueba los sistemas de traducción automática neuronal Bing Translator, Google Translate y DeepL, así como los sistemas de IA generativa ChatGPT, NotionAI y Gaby-T, usando segmentos extraídos de 30 de los capítulos del texto y analizando los resultados según las lecciones impartidas en los mismos. Primero analizamos en qué se inspira el libro de Delisle y qué se entiende por «traducción razonada». Luego, presentamos la metodología y los resultados de los experimentos piloto y principal. Por último, sugerimos algunas pistas de investigación, sobre todo en el campo de la didáctica de la traducción. mer., 09 avril 2025 21:52:16 +0200 https://atradire.pergola-publications.fr/index.php?id=513 https://atradire.pergola-publications.fr/index.php?id=536 Les métiers de la traduction sont en première ligne pour aider à définir une approche raisonnée et responsable des technologies d’intelligence artificielle. S’inscrivant volontiers dans ce mouvement, cette contribution explore les enjeux de l’IA dans la formation des experts linguistes de demain. Elle dresse d’abord un état des lieux de ces outils en traduction professionnelle. Partant de là, il s’agit de réfléchir aux rôles émergents que les diplômés de nos formations seront appelés à jouer et aux compétences à incorporer dans leur palette. L’article insiste sur l’importance des compétences permettant à l’humain de se positionner comme la pierre angulaire de la fourniture des services de traduction professionnelle. Il s’intéresse aux modalités pratiques que pourrait prendre l’intégration de ces technologies dans la formation initiale et continue aux métiers de la traduction et partage l’expérience d’une approche expérientielle et collaborative dans l’enseignement de ces outils. Language professions and translation in particular are on the front line in defining a reasoned and responsible approach to artificial intelligence technologies. As part of this movement, the present contribution explores the challenges of AI in the training of the language experts of tomorrow. It begins by taking stock of the current state of these tools in professional translation. From there, it considers the emerging roles that graduates of our training courses will be called upon to play, and the skills they will need to incorporate into their professional toolbox. The importance of consolidating human-specific skills as the cornerstone of professional translation service provision is emphasized. Finally, the authors look at the practical ways in which these technologies can be integrated into initial and continuing training for the translation professions, and share their experience of an experiential and collaborative approach to teaching these tools. Käännösalan ammattilaiset ovat etulinjassa määrittelemässä järkiperäistä ja vastuullista tapaa hyödyntää tekoälyteknologiaa käännösprosessissa. Tässä artikkelissa tarkastelemme ensin tämänhetkisiä tekoälytyökaluja ja niiden käyttöä ammattikääntämisessä. Tämän nykytilan kuvauksen pohjalta pohdimme, millaisia uusia rooleja käännösalan koulutusohjelmista valmistuvilta odotetaan ja millaisia keskeisiä osaamisalueita heidän on sisällytettävä ammatilliseen työkalupakkiinsa. Painotamme etenkin ihmiskeskeisten taitojen merkitystä käännös- ja kielipalveluiden laadun ja eettisyyden varmistamisessa. Lopuksi esitämme konkreettisia tapoja integroida tekoälytyökaluja sekä perus- että täydennyskoulutukseen ja annamme esimerkkejä kokemuksellisesta ja osallistavasta opetuksesta näiden työkalujen käyttöön. ven., 11 avril 2025 10:05:38 +0200 https://atradire.pergola-publications.fr/index.php?id=536 https://atradire.pergola-publications.fr/index.php?id=546 L’article explore les apports de l’intelligence artificielle (IA) dans le domaine de la communication technique. Il présente les outils actuels intégrant l’IA en soulignant leur impact sur la productivité et la qualité documentaire. L’auteur examine aussi les transformations des compétences professionnelles nécessaires face à la montée de l’IA, ainsi que les enjeux éthiques et critiques que soulève cette évolution, notamment en termes de fiabilité, de transparence, et de place de l’humain dans le processus rédactionnel. Enfin, l’article plaide pour une complémentarité entre l’expertise humaine et les capacités de l’IA dans une approche responsable et critique de ces technologies. ven., 11 avril 2025 10:16:21 +0200 https://atradire.pergola-publications.fr/index.php?id=546 https://atradire.pergola-publications.fr/index.php?id=548 jeu., 24 avril 2025 16:37:14 +0200 https://atradire.pergola-publications.fr/index.php?id=548 https://atradire.pergola-publications.fr/index.php?id=563 lun., 28 avril 2025 12:55:15 +0200 https://atradire.pergola-publications.fr/index.php?id=563