https://atradire.pergola-publications.fr La revue À tradire. Didactique de la traduction pragmatique et de la communication technique publie des articles scientifiques et d'autres types de contributions sur ce sujet. Elle a donc pour objet l'enseignement des professions langagières et se veut un lieu d’échange entre les parties prenantes de ce processus didactique. fr 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., 13 mai 2026 00:00:00 +0200 https://atradire.pergola-publications.fr/index.php?id=513 https://atradire.pergola-publications.fr/index.php?id=631 Les formations à l’exercice de la traduction, de l’interprétation, de la terminologie et/ou de la communication technique se veulent « professionnalisantes ». Autrement dit, elles n’ont pas pour seul objectif de cultiver les étudiants, mais de les mettre en capacité de tirer revenu de ces pratiques. Par conséquent, il s’agit de les aider à acquérir les compétences qui leur permettront de s’insérer au mieux dans un marché professionnel, constitué de clients avec leurs besoins, de professionnels cherchant à les satisfaire, et d’intermédiaires les mettant en relation. Cela place de fait les formations dans une relation étroite avec le secteur en question : elles se préoccupent des demandes et besoins nouveaux, émergents, des tendances du marché, pour y positionner leurs étudiants avec les meilleurs atouts. Périodiquement, les équipes pédagogiques remettent donc sur le métier leurs programmes de formation, leurs « maquettes », et redéfinissent la place des différents curseurs en fonction des évolutions, à la fois dans le secteur et au sein des formations. Elles ont en effet à se positionner elles-mêmes vis-à-vis des formations concurrentes ou complémentaires, en vue d’attirer des étudiants, selon un certain nombre de critères qui ne concernent plus seulement l’exercice des professions en question : Quelle est l’offre de formation disponible dans le secteur géographique concerné ? Comment se positionne la formation à l’étude par rapport aux formations à distance déjà existantes, s mer., 29 avril 2026 00:00:00 +0200 https://atradire.pergola-publications.fr/index.php?id=631 https://atradire.pergola-publications.fr/index.php?id=591 L’article prend pour étude de cas un cours de traduction élaboré à partir d’expériences professionnelles de la traduction (collaborative) en contexte éditorial francophone et anglophone et proposé à des étudiants de 3e année de Licence LLCER anglais à Nantes Université. Il s’agit dans un premier temps de présenter le format, les objectifs pédagogiques et les modalités d’évaluation de ce cours où la traduction a été pensée selon une approche par compétences, sous l’angle de la créativité et selon une optique professionnalisante. Nous rappelons comment ce cours s’est inséré dans le cadre d’une formation LLCER généralisante, offrant des collaborations interculturelles et multilingues et permettant également des échanges avec des professionnels de la traduction et de l’édition. Nous examinons ensuite l’évolution de ce cours, notamment à partir d’une lecture « culturelle » de la traduction (emphase placée sur les « CSI »), ainsi que sa mise en application à travers des projets de traduction collaborative vers l’anglais réalisés par les étudiants et ayant eu pour concrétisation une exposition également conçue par les apprenants. Enfin, nous reviendrons sur les perspectives de poursuite d’études et de carrière des étudiants, ainsi que sur leur feedback afin d’envisager de possibles réitérations et prolongements de ce projet pédagogique. The article takes as its case study a translation course developed on the basis of professional experience of translation (including collaborative translation) in French and English publishing contexts, and offered to third-year LLCER English students at Nantes Université. We will begin by presenting the format, pedagogical objectives and assessment methods of this course, in which translation has been conceived in terms of skills, creativity and professionalization. We will recall how this course has been integrated into a generalizing LLCER training program, offering intercultural and multilingual collaborations, but also enabling exchanges with translation and publishing professionals. We will then examine the evolution of this course, notably from a “cultural” reading of translation (emphasis placed on “CSIs”), as well as its application through collaborative translation projects into English carried out by the students and resulting in an exhibition also designed by the learners. Thirdly, we will look at the students' prospects for further study and careers, and their feedback on the course, with a view to considering possible repetitions and extensions of this pedagogical project. El artículo toma como caso de estudio un curso de traducción desarrollado a partir de la experiencia profesional de la traducción (incluida la traducción colaborativa) en un contexto editorial francófono y anglófono y ofrecido a estudiantes de inglés de tercer año (LLCER) de Nantes Université. Comenzaremos presentando el formato, los objetivos pedagógicos y los métodos de evaluación de este curso, en el que la traducción se ha diseñado según un enfoque por competencias, desde el ángulo de la creatividad y desde una perspectiva profesional. Recordaremos cómo este curso se ha integrado en un programa no especializado, ofreciendo una colaboración intercultural y multilingüe, pero también permitiendo intercambios con profesionales de la traducción y del mundo del libro. A continuación, examinaremos el desarrollo de este curso, en particular a través de una lectura «cultural» de la traducción (haciendo hincapié en los «CSI»), así como su aplicación a través de proyectos de traducción colaborativa al inglés realizados por los estudiantes y que culminaron en una exposición también diseñada por los alumnos. En tercer lugar, analizaremos las perspectivas de los estudiantes en cuanto a estudios posteriores y carreras profesionales, así como su feedback sobre el curso, con vistas a considerar posibles repeticiones y ampliaciones de este proyecto pedagógico. mar., 28 avril 2026 00:00:00 +0200 https://atradire.pergola-publications.fr/index.php?id=591 https://atradire.pergola-publications.fr/index.php?id=593 This paper examines collaborative terminology management in professional and academic contexts. It reviews theoretical foundations, highlights European initiatives, and analyses the role of collaboration within the European Commission’s Directorate-General for Translation (DGT). A case study of a joint project between a Master's program in Professional Translation and the DGT is presented, with emphasis on the Terminology Projects Module (TPM). The paper includes qualitative findings from a small-scale user satisfaction survey and concludes with a comparative evaluation of pedagogical methodologies and existent collaborative tools. Au cours des deux dernières décennies, le domaine de la terminologie a connu des évolutions significatives, tant sur le plan des outils numériques que des approches méthodologiques. Dans un contexte de mutations technologiques rapides et souvent bouleversantes, fréquemment corrélées à une instabilité économique et sociale, le rôle du travail collaboratif, par opposition à l’effort individuel, a gagné une importance nouvelle. La collaboration est devenue centrale dans diverses activités professionnelles, notamment la traduction et la gestion terminologique. Le présent article propose d’analyser la mise en œuvre de pratiques collaboratives de gestion terminologique dans des contextes professionnels et leur intégration pédagogique dans les programmes universitaires. À cette fin, nous commençons par un aperçu des fondements théoriques de la terminologie collaborative, des étapes clés de sa mise en œuvre et des critères d’application, en mettant particulièrement l’accent sur le degré d’ouverture (Gariépy, 2013). Cette notion désigne les modalités de gestion des droits d’accès et de participation aux groupes collaboratifs, qu’il s’agisse d’une communauté ou d’un outil. Dans les environnements qualifiés d’ouverts, l’accès est libre et tous les participants jouissent des mêmes droits, contribuant collectivement à des objectifs communs sans contraintes hiérarchiques (Désilets et al., 2009). En revanche, les systèmes qualifiés de fermés exigent que les individus demandent la permission d’un administrateur pour être admis ou pour contribuer. Dans de tels contextes, la participation est régie par des règles prédéfinies et les droits des utilisateurs ne couvrent pas nécessairement toutes les fonctionnalités de l’outil ou de la plateforme. À titre illustratif, nous présentons brièvement certaines bonnes pratiques issues de projets terminologiques collaboratifs européens, tels que LISE (Chiocchetti et Ralli, 2013 ; Chiocchetti et al., 2017) et HTBAS (Enqvist et al., 2021), ainsi que des outils collaboratifs développés au sein des universités, tels que TermiCo (Ar Rouz et al., 2021 ; Ar Rouz, 2025) et FairTerm (Vezzani, 2021). Dans la troisième partie, l’article se concentre sur le rôle de la collaboration dans la gestion terminologique au sein de la Direction générale de la traduction (DGT) de la Commission européenne. Cette section inclut une analyse des structures organisationnelles et des procédures qui facilitent le travail collaboratif en matière de terminologie, avec une attention particulière portée au module Terminology Projects Module (TPM), un outil conçu pour fournir un accès direct à la base de données IATE aux terminologues et aux utilisateurs externes. En fait, la DGT recourt à deux types de coopération externe en matière de terminologie : premièrement, l’acquisition d’une expertise terminologique en confiant des projets terminologiques à des experts chevronnés dans le domaine, et deuxièmement, la coopération avec des étudiants, régie par le cadre de la DGT sur la coopération à distance avec les universités. L’introduction du module TPM dans IATE en mai 2022 a révolutionné la manière dont les projets terminologiques étaient préparés, lancés et menés à bien. Non seulement toutes les phases du projet pouvaient être menées directement dans IATE, mais l’accord de droits d’accès spéciaux permettait également aux partenaires externes de traiter les entrées assignées directement dans IATE. En effet, le TPM permet aux utilisateurs disposant de droits de gérer les projets de terminologie pendant leur cycle de vie directement sur IATE. Les utilisateurs sont autorisés à stocker les métadonnées du projet, gérer les entrées et les termes candidats, assigner le travail aux utilisateurs internes et externes et à suivre l’avancement ainsi que l’achèvement des tâches associées. Il existe de nombreuses catégories d’utilisateurs au sein d’IATE, appelées « rôles d’utilisateur », chacune disposant de droits d’accès différents au module. Dans le cadre des projets terminologiques menés avec des universités via le TPM, seuls deux rôles d’utilisateur sont prévus : 1. Terminologue (qui est le coordinateur du projet). 2. Collaborateur externe. Comme analysé dans cet article, l’interface de TPM est pensée pour être d’un usage simple et partage les mêmes caractéristiques extérieures que la version publique de l’IATE. Le projet terminologique est créé et assigné aux étudiants directement par les terminologues de la DGT. Les étudiants reçoivent des identifiants personnels leur permettant d’accéder à leur projet spécifique dans le module TPM, tandis que leur professeur coordinateur a accès à tous les projets en cours. La cinquième partie de cet article examine l’intégration pédagogique d’un projet terminologique collaboratif mené dans le cadre d’un programme de master en traduction professionnelle. Cette étude repose sur les principes de l’apprentissage par projet (Kiraly, 2005), qui mettent l’accent sur le rôle actif que les étudiants peuvent revêtir à l’intérieur des projets menés en collaboration avec des donneurs d’ouvrage réel. Nous présentons tout d’abord les objectifs pédagogiques ayant orienté la conception et la mise en œuvre du projet, détaillés comme suit : A) Fournir un cadre authentique reflétant les conditions réelles d’utilisation de la terminologie. B) Proposer des activités concrètes de gestion et d’enrichissement de données terminologiques, commanditées par des professionnels du domaine. C) Donner aux étudiants accès à l’expertise de professionnels, tant en terminologie que dans des domaines spécialisés. D) Faciliter l’accès à des connaissances approfondies dans des domaines thématiques spécifiques. E) Dispenser un enseignement sur les outils collaboratifs consacrés à la gestion terminologique. Le projet présenté a été réalisé au second semestre de l’année universitaire 2023-2024 par trois étudiants du master, en collaboration avec l’unité grecque de la DGT de la Commission européenne. Le projet a été réalisé dans le cadre du programme « Remote Terminology Projects », lancé par la DGT, et a fait l’objet de trois mémoires de master. En outre, le flux de travail et les méthodologies adoptés sont présentés en détail, ainsi que les résultats du projet. Les résultats incluent la création de 120 entrées terminologiques dans la combinaison linguistique anglais-grec, portant sur les domaines de la COVID-19 et du textile. Comme le projet visait à mettre à jour les données terminologiques dans IATE, pour les entrées assignées, certains facteurs importants ont été pris en compte, tels que la validité des désignations, la fiabilité des sources, la date des enregistrements, l’exhaustivité de la fiche technique en termes de catégories de données, etc. L’article présente ensuite les résultats d’une étude qualitative de petite envergure sur la satisfaction des utilisateurs à l’égard du module TPM. À l’issue de leur mémoire de master, les étudiants ont été invités à participer à une enquête visant à évaluer leur expérience. Le questionnaire combinait des questions ouvertes — portant sur les points forts et les limites de l’expérience — et des questions fermées, évaluant la clarté des consignes ainsi que la pertinence de la formation préalable. Ces résultats ont démontré un niveau élevé de satisfaction tant à l’égard de la procédure que de l’outil utilisé. Une enquête à petite échelle a également été menée auprès des terminologues de la DGT qui ont collaboré avec diverses universités dans ce même cadre. Les réponses des terminologues – pour les combinaisons linguistiques EN-EL, EN-ES, EN-PL, EN-FR – se sont révélées plus nuancées que celles des étudiants, mettant en évidence la nécessité d’une implication accrue des professionnels et des préoccupations liées à la cohérence et à la qualité des livrables universitaires. Néanmoins, tous les terminologues ont souligné comme aspects positifs des projets de collaboration la nouvelle perspective acquise grâce à leur contact avec les étudiants, le travail sur des entrées non urgentes et l’enrichissement de IATE ou la possibilité qui leur était offerte de partager leur expérience. L’article se termine par une évaluation de différents outils et méthodologies collaboratifs utilisés dans le milieu universitaire par l’une des auteures (cf. Loupaki et Charalampidou, 2025 ; Elbaz et Loupaki, 2023 ; Loupaki et Maslias, 2017). Une différence méthodologique majeure entre le projet présenté et les initiatives antérieures réside dans l’adoption d’un modèle d’accompagnement individualisé entre terminologues et étudiants. Cette interaction personnalisée s’est avérée très utile sur le plan pédagogique, car elle a permis aux étudiants d’être directement exposés à l’expertise professionnelle, aux pratiques du monde réel et à des approches méthodologiques spécialisées. Toutefois, contrairement aux projets réalisés en groupe, ce modèle ne favorise ni la collaboration entre étudiants, ni la coopération entre universités. Par conséquent, ce modèle semble plus approprié pour les travaux de recherche individuels, tels que les mémoires de master, que pour les projets interinstitutionnels menés avec la totalité des étudiants qui bénéficient de la dynamique d’équipe. En ce qui concerne l’outil, TPM se caractérise par une grande facilité d’utilisation, ce qui se traduit par des résultats favorables en termes d’engagement et de productivité des étudiants. L’un de ses avantages notables est son intégration directe à la base de données IATE, qui élimine le besoin d’extraire ou de transférer des données vers des outils externes. En revanche, l’édition collaborative via FAIRterm nécessite l’exportation des entrées terminologiques sous forme de fichiers Excel et les plateformes commerciales telles que MultiTerm, utilisées dans d’autres projets, exigent quant à elles que les étudiants créent manuellement une base terminologique et configurent les catégories de données à inclure. Ces manipulations requises par les outils susmentionnés contribuent au développement de compétences techniques avancées, notamment en structuration et en extraction de données. Enfin, à l’ère de l’intelligence artificielle générative et de l’automatisation croissante de plusieurs tâches linguistiques, la demande de ressources terminologiques de haute qualité dans toutes les langues est plus critique que jamais. Cette urgence est particulièrement prononcée pour les langues dont l’infrastructure numérique est moins développée, comme le grec. L’enrichissement et l’expansion des ressources terminologiques apparaissent non seulement comme une nécessité, mais également comme un enjeu stratégique. La gestion collaborative de la terminologie, telle que le partenariat présenté ici entre le monde universitaire et la Direction générale de la traduction de la Commission européenne, offre un modèle prometteur pour le développement durable et inclusif des ressources. Il est important de noter que de telles initiatives constituent également des outils pédagogiques précieux, qui permettent aux étudiants de mieux comprendre le travail terminologique et les préparent à l’environnement professionnel réel. Το παρόν άρθρο εξετάζει τη συνεργατική διαχείριση ορολογίας σε επαγγελματικά και ακαδημαϊκά περιβάλλοντα. Για το σκοπό αυτό, αναλύει το θεωρητικό πλαίσιο της εν λόγω προσέγγισης, παρουσιάζει ευρωπαϊκές πρωτοβουλίες και εξετάζει τον ρόλο της συνεργασίας στο πλαίσιο της Γενικής Διεύθυνσης Μετάφρασης (ΓΔΜ) της Ευρωπαϊκής Επιτροπής. Επιπλέον, αναλύεται μια μελέτη περίπτωσης ενός κοινού σχεδίου ορολογίας μεταξύ του ΔΠΜΣ «Διερμηνεία και Μετάφραση» του ΑΠΘ και της ΓΔΜ, με τη χρήση του συνεργατικού εργαλείου Terminology Projects Module (TPM). Τέλος, το άρθρο περιλαμβάνει ευρήματα μιας έρευνας ικανοποίησης χρηστών μικρής κλίμακας και καταλήγει με μια συγκριτική αξιολόγηση των παιδαγωγικών μεθόδων και των υφιστάμενων συνεργατικών εργαλείων. mar., 28 avril 2026 00:00:00 +0200 https://atradire.pergola-publications.fr/index.php?id=593 https://atradire.pergola-publications.fr/index.php?id=603 Les entreprises développent depuis longtemps des collaborations à distance grâce à des logiciels, des plateformes de communication et d’échange de documentations, dont personne ne peut plus se passer aujourd’hui. Ces pratiques doivent être illustrées dans la formation des traducteurs et des communicateurs techniques. Cet article dresse un bilan des projets académiques de collaboration à distance menés pendant 14 ans, à Université de Paris, avec un éclairage particulier : la communication entre les enseignants, celle organisée pour les étudiants, et la communication entre les étudiants eux-mêmes. Cet article détaille les projets internationaux afin de mettre en lumière les avancées, les modifications apportées aux projets pour améliorer constamment la communication entre tous les acteurs, faciliter le travail des étudiants et faire avancer les recherches. Nous décrirons les documents mis à disposition des étudiants, ceux qu’ils doivent remplir, comme la charte de communication, et le retour sur expérience. Puis nous présenterons une liste de recommandations pour que ces projets se déroulent le mieux possible. Enfin, nous évaluerons ce que les étudiants ont appris de ces projets. For many years, companies have been developing distant collaborations using software, communication platforms, and document-sharing tools now indispensable. These practices must be included in translators and technical communicators’ training. This article reviews 14 years of academic distant collaboration projects we conducted at Université de Paris Cité, with a specific focus on communication among faculty, communication organized for students, and communication among students themselves. We highlight advances and modifications to constantly improve communication among all stakeholders, facilitate students’ tasks, and develop research. We describe documents students must complete such as the communication charter and the feedback on experience. We present a list of recommendations to ensure these projects run as smoothly as possible. Finally, we assess what students have learned from these projects. mar., 28 avril 2026 00:00:00 +0200 https://atradire.pergola-publications.fr/index.php?id=603 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. mar., 28 avril 2026 00:00:00 +0200 https://atradire.pergola-publications.fr/index.php?id=605 https://atradire.pergola-publications.fr/index.php?id=608 L’article analyse le projet du p’TI Journal, revue composée exclusivement de traductions étudiantes et initiée en 2022 à l’Université de Liège. À partir du concept de « multiple translatorship » proposé par Hanne Jansen et Anna Wegener (2013), il vise à mettre en lumière les dimensions collaboratives de ce projet de traduction. Après une description du dispositif et des évolutions entre le premier (2023) et le deuxième numéro (2025), ce texte examine les interactions entre les différents agents impliqués. Il retrace ensuite certaines des modalités concrètes de collaboration mises en œuvre en contexte pédagogique. Enfin, il présente les résultats d’un sondage effectué auprès des étudiant·es et enseignant·es afin de mesurer leur perception de cet aspect collaboratif et d’élaborer des pistes d’amélioration pour une troisième édition. Au croisement de la formation et de la professionnalisation, le p’TI Journal apparaît comme un dispositif fédérateur et réflexif qui renforce l’autonomie des étudiant·es et la coopération entre pairs. This article examines the collaborative dimensions inherent to Le p’TI Journal learning project, a magazine consisting of a collection of translations carried out exclusively by students from the Translation programme at the University of Liège (Belgium). Using the framework of “multiple translatorship,” a concept introduced by Hanne Jansen and Anna Wegener (2013), this text aims to describe this teaching initiative ‒ and its developments between the first and second issues ‒ and to analyse the interactions between the various agents involved in its production. It then sets out to detail some of the concrete forms of collaboration implemented in various translation classrooms. Finally, the findings of a survey conducted among both teachers and students are used to assess their perceptions of these collaborative aspects and to imagine possible developments for future issues. Located at the intersection of translation training and professional practice, Le p’TI Journal proves to be a reflexive project that brings students together and reinforces their autonomy and cooperation. lun., 27 avril 2026 00:00:00 +0200 https://atradire.pergola-publications.fr/index.php?id=608 https://atradire.pergola-publications.fr/index.php?id=107 Comme Yves Gingras (David & Zimmer, 2022), nous considérons que les publications scientifiques sont pléthoriques et sortent à un rythme effréné, y compris dans le jeune champ de recherche que constitue la traductologie. Il conviendrait donc d’en diminuer le nombre et d’en améliorer la qualité. Alors, nous direz-vous, pourquoi créer une nouvelle revue scientifique ? D’abord parce que, si les revues en traductologie ne manquent pas, celles qui traitent spécifiquement de la didactique de la traduction et de l’interprétation sont rares : en fait, il en existe une seule, à notre connaissance. Quant à des revues qui traitent explicitement de communication technique, nous n’en connaissons pas d’autres que les revues scientifiques américaines, dont le Journal of Technical Writing and Communication, qui traite de didactique, ainsi que Technical Communication Quarterly, et les revues liées à des associations professionnelles (par exemple Technical Communication de la Society for Technical Communication). Cela ne signifie évidemment pas qu’il n’existe pas de publications scientifiques sur ces sujets : les nombreuses revues de traductologie publient régulièrement des articles sur la didactique de la traduction (par exemple Kelly, 2008 ; Collombat, 2009 ; Popineau, 2016 ; etc.). Les chercheurs en communication technique, eux, publient dans des revues de didactique des langues (par exemple Dressen-Hammouda, 2016) ou autres (par exemple van der Meij, 2017) mais pas si souvent au sujet de di lun., 27 avril 2026 00:00:00 +0200 https://atradire.pergola-publications.fr/index.php?id=107 https://atradire.pergola-publications.fr/index.php?id=628 De 2014 à 2016, le projet OTCT, pour « Optimisation des cursus en traduction par la traduction technique collaborative » (en anglais : Optimising Translator Training through Collaborative Technical Translation), a vu la coopération de sept universités européennes pour mettre en place des sessions de traduction intensives appelées Tradutech : L-Università ta’ Malta (Malte), Swansea University (Swansea, pays de Galles), Universidad Pablo de Olavide (Séville, Espagne), Universitatea Babes-Bolyai (Cluj-Napoca, Roumanie), Université Catholique de Louvain (Belgique), Université Rennes 2 (Bretagne), Univerzita Karlova (Prague, République tchèque). Il avait pour but de faciliter l’intégration des pratiques professionnelles dans les formations de traduction par le biais de sessions intensives de traduction technique collaborative en simulation de conditions professionnelles (désignées par le terme de « sessions Tradutech »), et d’échanges de bonnes pratiques et de ressources sur la pédagogie par projets dans le domaine de la formation en traduction. (site web archivé du projet OTCT1) La collaboration a donc eu lieu à plusieurs niveaux : entre les enseignants des universités partenaires, entre les étudiants de chaque université réunis en agences de traduction fictives, entre des étudiants des universités partenaires et l’équipe rennaise… Au sein des agences « Tradutech », les étudiants ont également utilisé des outils destinés à faciliter leur collaboration tels que les « navettes term lun., 27 avril 2026 00:00:00 +0200 https://atradire.pergola-publications.fr/index.php?id=628 https://atradire.pergola-publications.fr/index.php?id=185 La rubrique « Traduire la traductologie » vise à concrétiser le projet de Nicolas Froeliger de publier des traductions de grands textes de la traductologie mondiale que des étudiants produisent déjà dans le cadre de nos formations. À tradire se donne pour objectif de favoriser les échanges entre les parties prenantes de la didactique de la traduction pragmatique et de la communication technique ; la valorisation du travail des étudiants par ce type de publication paraît en constituer une bonne base. Nous inaugurons donc cette rubrique avec la traduction du chapitre « How neural machine translation works », de Juan Antonio Pérez-Ortiz, Mikel L. Forcada et Felipe Sánchez-Martínez (université d’Alicante), paru dans l’ouvrage Machine translation for everyone: Empowering users in the age of artificial intelligence qui est sorti en 2022 chez Language Science Press sous la direction de Dorothy Kenny et sous licence CC-BY. La présente traduction française a été effectuée, sous la supervision de Caroline Rossi, par des étudiants du master Traduction spécialisée multilingue (TSM) de l’Université Grenoble-Alpes : Sébastien Palmieri et Romain Revet. Nous y associons la réflexion de Sébastien Palmieri et de Romain Revet sur ce travail. Ils reviennent notamment sur les difficultés rencontrées et donnent un aperçu des recherches terminologiques effectuées. Notons que l’ouvrage entier est en cours de traduction et que la version française en sera publiée par le même éditeur. Dès sa parution, lun., 27 avril 2026 00:00:00 +0200 https://atradire.pergola-publications.fr/index.php?id=185