https://atradire.pergola-publications.fr/index.php?id=635 Elfennoù er menegerioù fr 0 https://atradire.pergola-publications.fr/index.php?id=605 In today’s increasingly globalised world, translators cannot avoid collaborating with technological tools that offer a wealth of possibilities. The advent and proliferation of generative AI and Large Language Models have brought several advantages to translators, particularly in terms of saving time. However, it is important not to overestimate these systems’ capabilities, bearing in mind that human intervention is still necessary to ensure the highest quality. This study investigates how two groups of students collaborated with each other and with different digital tools to understand the benefits that translators can derive from using traditional computer-assisted translation (CAT) tools, machine translation, and LLMs, and the most effective way to organise collaborative translation work. It also examines the most common challenges associated with using these tools, providing an initial guide for professionals and semi-professionals on how to approach translation tasks with them. Au cours des dernières décennies, les progrès technologiques considérables ont transformé notre façon de vivre, de communiquer et de travailler. En conséquence, tous les aspects de la traduction ont été profondément affectés, entraînant des changements significatifs. Par exemple, l'émergence de nouveaux rôles professionnels a été favorisée par l'essor des outils de traduction automatique ou assistée par ordinateur (TAO), la croissance des traductions collaboratives à grande échelle réalisées par des non-professionnels, ainsi que les innovations dans la théorie de la traduction découlant des avancées technologiques. De plus, au fil des années, la demande de traduction s’est accrue, dans un monde où la communication devient de plus en plus multimodale et multilingue. Au moment même où Internet commençait à se généraliser, les chercheurs s'accordaient à dire que l'objectif principal de la traduction était de convertir un texte initialement rédigé dans une langue en son équivalent dans une autre, de manière à en préserver le sens, les caractéristiques formelles et les rôles fonctionnels (cf. Bell, 1991). L'avènement et le développement de nouvelles technologies, telles que la traduction automatique neuronale (TAN), l'IA générative et les grands modèles de langage (LLM), peuvent faciliter le travail des linguistes. Ces technologies offrent un soutien significatif grâce à leur capacité à simuler le langage naturel — même lors de la transmission de messages complexes — et à adapter les textes à la culture cible. Après tout, dès 1969, Nida et Taber affirmaient que la traduction consiste à reproduire l'équivalence naturelle la plus proche de la langue source dans la langue cible. Comme l'a déjà souligné Piquet (2009), les concepts et les outils liés au travail collaboratif ne sont pas une nouveauté. Cependant, au fil du temps, ils ont pris une dimension totalement nouvelle grâce à la démocratisation des technologies de l'information et de la communication dans la société et, par conséquent, au sein de nos organisations. Lorsqu'on parle de travail collaboratif, il est essentiel de prendre en compte la dimension technologique, ainsi que le fait que tous les outils de travail collaboratif disponibles évoluent rapidement pour répondre aux besoins du marché et des utilisateurs. Ils gagnent en maturité sur les plans technique, économique et social, devenant plus intuitifs, plus faciles à installer et plus avantageux du point de vue des logiciels comme des performances (Laurenti & Villareale, 2023). De nombreux outils destinés aux activités collaboratives sont aujourd’hui disponibles en ligne, chacun présentant des caractéristiques techniques spécifiques. Un groupe de travail qui envisage de les utiliser doit prendre en compte différents facteurs afin de s'assurer que l'outil choisi est efficace et adapté à la réalisation de l'objectif, sans perturber le flux de travail. Le choix de l'outil approprié pour une tâche spécifique est essentiel dans le processus collaboratif, car toutes les technologies ne conviennent pas à toutes les situations. Prendre une décision éclairée peut considérablement améliorer la qualité du travail. Cependant, le simple fait de choisir les bons outils ne suffit pas à garantir que la tâche sera correctement exécutée. Il est essentiel que tous les participants comprennent bien ce que signifie travailler de manière collaborative et s'engagent pleinement dans cette approche, plutôt que de chercher à se démarquer. Dans le travail collaboratif, les subjectivités individuelles se fondent pour former une identité de groupe unifiée. Quiconque travaille sur une tâche de traduction collaborative à l’aide d’outils collaboratifs, tels que les divers outils de traduction automatique disponibles sur le marché, doit garder à l’esprit qu’il s’agit de technologies imparfaites (O’Brien, 2022 : 105). Par conséquent, le risque de malentendus dans la traduction écrite reste élevé, d’autant plus que les personnes impliquées dans la communication ne peuvent pas utiliser le langage corporel pour aider le traducteur à comprendre exactement le sens de leur message. Une révision approfondie du texte traduit reste donc essentielle. C'est pourquoi cette étude, menée par l'International Center for Research on Collaborative Translation de l'université IULM de Milan, analyse la manière dont deux groupes d'étudiants ont collaboré entre eux et avec différents outils numériques, afin de comprendre les avantages que les traducteurs peuvent tirer de l'utilisation des outils traditionnels de traduction assistée par ordinateur (TAO), de la traduction automatique et des LLM, ainsi que la manière la plus efficace d'organiser le travail de traduction collaborative. L'objectif de cette étude était d'évaluer si l'utilisation d'outils de traduction automatique neuronale (TAN) ou de LLM présentait un avantage par rapport aux outils de TAO traditionnels, étant donné que ces outils ont tendance à produire des résultats moins précis qui nécessitent une révision plus approfondie. Par conséquent, il fallait évaluer la qualité de la traduction au regard du temps total nécessaire pour accomplir la tâche. Compte tenu du grand nombre d'outils de TAN et de LLM disponibles en ligne, il était nécessaire de sélectionner celui le mieux adapté à cette tâche de traduction particulière. Les chercheurs ont donc évalué la traduction de l'anglais vers l'italien de l'article « My Distance Learning », disponible sur le blog de l’EMT, à l'aide d'une mesure quantitative manuelle appelée SAEJ2450. À l'issue de l'évaluation, il a été décidé d'utiliser ChatGPT comme base pour la traduction, car cet outil ne présente aucune limite de saisie, permet de modifier les phrases à l'infini et fait preuve d'excellentes capacités de reformulation. Une fois cette étape terminée, les chercheurs ont divisé les étudiants en deux groupes de six personnes chacun (cinq traducteurs/réviseurs, un éditeur) : un groupe traduisait à l'aide d'un outil de TAO collaboratif gratuit (Smartcat) et l'autre post-éditait le résultat brut généré par l'outil d'IA sélectionné ; les étudiants ont collaboré pour produire une traduction prête à être publiée sur le blog de l'EMT. En ce qui concerne le calcul des temps, les résultats ont été réduits au prorata de l'échantillon de caractères examiné, les deux groupes ayant travaillé respectivement sur 75 336 et 83 510 caractères. La somme du temps passé par chaque sujet à chaque étape du travail pour traduire et réviser le nombre total de caractères a ensuite été rapportée au nombre de caractères de la portion de texte examinée. Afin de recueillir des données significatives et de comparer équitablement les temps de travail, les chercheurs ont décidé d'analyser la traduction d'un échantillon de texte de 5 232 caractères pour chaque outil, de sorte que les deux textes aient la même longueur. Comme prévu, la première traduction réalisée sur Smartcat a pris environ une heure et demie aux participants, car ils ont dû créer un nouveau texte dans une autre langue en partant de zéro. Bien que cette première traduction fût déjà d'une qualité moyenne à élevée, les étapes de révision ont nécessité 2,6 heures, portant le temps total consacré à 4 heures. La plupart des modifications ont été apportées lors de la phase de révision externe, effectuée par d'autres traducteurs, et lors du processus d'édition finale avant la publication. Ces deux activités ont pris au total 1,7 heure et ont principalement concerné le rendu en italien. En revanche, en travaillant avec ChatGPT, bien que le temps de traduction soit très court – seulement 3 minutes –, le temps de révision a considérablement augmenté, atteignant 3,75 heures. La majeure partie du travail d'édition a été effectuée lors de la post-édition initiale du texte brut afin de corriger les calques, les erreurs grammaticales et les problèmes de compréhension. Il convient de souligner qu'il s'agit d'une étude pilote portant uniquement sur deux flux de travail ; des recherches futures pourraient inclure des groupes plus importants de traducteurs et analyser des flux de travail utilisant différents outils numériques (par exemple, la TAN, les outils de TAO intégrant l'IA, etc.). Comme démontré, bien que le temps nécessaire pour générer la première traduction à partir du texte original dans le flux de travail LLM soit considérablement réduit (3 contre 86 min.), le temps total passé par les traducteurs pour livrer la version finale n'a pas diminué de manière substantielle (3,75 contre 4 heures). Cela s'explique par le fait que l'IA ne saisit pas toujours le contexte et les subtilités linguistiques, produisant parfois des phrases difficiles à comprendre, voire inexactes – qui sont plus faciles à repérer –, mais aussi des phrases qui, bien qu'apparemment correctes sur le plan grammatical et syntaxique, ne reflètent pas fidèlement le sens du texte original (« erreurs transparentes »). Le traducteur doit donc relire très attentivement le résultat brut, en corrigeant les erreurs et en adaptant le langage au contexte spécifique, car seul un linguiste expérimenté peut apporter les modifications nécessaires. Il est évident que cette étape prend du temps. D'autre part, l'utilisation d'outils de TAO permet aux traducteurs de produire immédiatement une version plus précise du texte dans la langue cible, qui nécessite moins de révisions. Cependant, cela les oblige à consacrer beaucoup plus de temps à cette étape, surtout si, comme dans le cas présent, ils ne disposent pas d'une mémoire de traduction. Compte tenu de tout cela, il est impossible d'affirmer avec certitude qu'un flux de travail est plus avantageux pour les traducteurs qu'un autre. Ce qui est certain, cependant, c'est que ces deux types de travail sont différents et requièrent des compétences différentes, car les post-éditeurs de textes générés par l'IA doivent avoir une compréhension approfondie du fonctionnement des machines et des erreurs qu'elles commettent le plus souvent. Nel mondo di oggi, i traduttori non possono prescindere dal collaborare con strumenti tecnologici: l'avvento e la diffusione dell’IA generativa e dei modelli linguistici di grandi dimensioni (LLM) hanno comportato diversi vantaggi, in particolare in termini di risparmio di tempo. Tuttavia, è importante non sopravvalutarne le capacità, tenendo presente che solo l'intervento umano può garantire la massima qualità della traduzione. Obiettivo del presente studio è comprendere i vantaggi che i traduttori possono trarre dall'uso dei tradizionali strumenti di traduzione assistita (CAT), dalla traduzione automatica e dagli LLM, nonché il modo più efficace per organizzare il lavoro di traduzione collaborativa. Pertanto, è stato indagato il modo in cui due gruppi di studenti hanno collaborato tra loro e con diversi strumenti digitali al fine di produrre una traduzione di alta qualità. Lo studio esamina inoltre le sfide più comuni associate all'uso degli strumenti digitali basati su IA. ven., 19 déc. 2025 08:31:40 +0100 mar., 28 avril 2026 10:06:05 +0200 https://atradire.pergola-publications.fr/index.php?id=605