Cartographie et collecte de corpus scientifiques bilingues : un premier bilan de l’étude

En mars s’est conclue la première des études préparatoires prévues dans le cadre du projet Traductions et science ouverte, en vue de la création d’un service de traduction scientifique outillée, imaginé pour répondre aux besoins et aux usages de différents profils d’utilisateurs de contenus scientifiques.

Cette étude a eu pour objectif d’établir une cartographie de corpus scientifiques bilingues pouvant être mobilisés pour l’entraînement de moteurs de traduction automatique spécialisés, ainsi que pour la création de ressources linguistiques disciplinaires, telles que des mémoires de traduction ou des bases terminologiques. L’étude des besoins et des pratiques en traduction scientifique, menée en parallèle à l’étude des corpus existants, a en effet confirmé que la constitution et la mise à disposition de ressources linguistiques spécialisées, mutualisées et interopérables, pourraient être bénéfiques à plusieurs niveaux (rapport à paraître). Le travail d’identification des publications scientifiques bilingues, ainsi que des conditions d’utilisation associées, s’est donc avéré fondamental pour réfléchir aux futures orientations du projet.

S’agissant d’un travail assez inédit, il nous a paru réaliste, pour commencer, de concentrer l’étude sur la paire linguistique anglais-français et sur trois disciplines pilotes, choisies en fonction de critères variés : du volume des publications disciplinaires disponibles notamment en accès ouvert, à la compatibilité du langage avec des technologies de la traduction, en passant par la diversité disciplinaire et l’accessibilité conceptuelle des contenus pour un public large. Identifiées sur la base du référentiel du Conseil Européen de la Recherche, les trois disciplines pilotes qui ont été retenues sont les suivantes : Climatologie et changement climatique (PE10_3), Neurosciences et troubles du système nerveux (LS5), Mobilité humaine, environnement et espace (SH7). Chacun des trois macro-domaines disciplinaires du référentiel – c’est-à-dire Sciences physiques et de l’ingénierie, Sciences de la vie, et Sciences humaines et sociales – est donc représenté.

Premiers constats

Malgré les incertitudes initiales concernant le volume de données disponibles, notre recherche a permis de conclure que, même si la traduction n’est pas une pratique systématique dans l’édition scientifique, il est possible de trouver des textes bilingues en quantités intéressantes, notamment dans les résumés et d’autres métadonnées, au moins dans la combinaison linguistique anglais-français (cf. Tableau 1). Si la faisabilité du projet n’est donc pas remise en cause du fait de la disponibilité des données textuelles bilingues, il reste néanmoins plusieurs défis à aborder afin de pouvoir les utiliser dans les meilleures conditions.

DisciplineNombre de segments collectésNombre de termes extraits*
PE10_3100 563397 
LS5103 175415 
SH7112 963300 
Tableau 1 : Nombre de segments collectes et de termes extraits par discipline

* Termes extraits par un processus automatisé et révisés par des spécialistes de la traduction

Tout d’abord, il serait souhaitable de pouvoir opérer dans un cadre juridique mieux défini. Pour les trois disciplines considérées, entre 24 % et 44 % des sources identifiées n’indiquaient pas de conditions claires concernant les possibilités de collecte des données textuelles (cf. Tableau 2). Pour l’une des disciplines, ce pourcentage arrive à 50 % lorsqu’il s’agit de clarifier s’il est possible de redistribuer les données collectées, sous forme de mémoire de traduction mutualisée par exemple (cf. Tableau 3). L’étude a par ailleurs mis en évidence une très grande diversité de conditions d’utilisation appliquées : une certaine standardisation dans ce sens, par le biais de licences type Creative Commons, pourrait certainement aider à utiliser les données textuelles de manière plus informée. Il est intéressant de noter que les plateformes de diffusion peuvent jouer un rôle dans cette démarche d’harmonisation des conditions d’utilisation des données : en effet, les plateformes appliquent généralement des conditions d’utilisation auxquelles adhèrent toutes les revues qu’elles hébergent, ce qui facilite la compréhension de ce qu’il est possible de faire avec les données textuelles publiées dans un grand nombre de revues. Dans notre cas, l’impact du rôle des plateformes de diffusion est notamment visible dans la discipline des sciences humaines et sociales, pour laquelle le pourcentage de sources autorisant expressément la collecte, voire la redistribution de données est le plus élevé.


Discipline
% de sources interdisant expressément la collecte de données*% de sources autorisant expressément la collecte de données*% de sources nécessitant des autorisations et/ou des analyses supplémentaires*
PE10_340%36% 24%
LS544%12%44%
SH713%43% 44%
Tableau 2 : Statistiques sur la collecte des données identifiées

* Pourcentage calculé sur le nombre de sources pertinentes identifiées


Discipline
% de sources interdisant expressément la redistribution des données collectées*% de sources autorisant expressément la redistribution des données collectées*% de sources nécessitant des autorisations et/ou des analyses supplémentaires*
PE10_360%16% 24%
LS569%6%25%
SH725%25%50%
Tableau 3 : Statistiques sur la redistribution des données identifiées

* Pourcentage calculé sur le nombre de sources pertinentes identifiées

Un autre défi concerne l’automatisation des processus de collecte et de traitement des données textuelles. Les textes et leurs traductions sont de qualité variable, publiés dans des formats très variés et indexés avec des mots-clés souvent non-standardisés : la collecte et le traitement de ces données peuvent donc s’avérer plus complexes que prévu et demander de nombreuses interventions manuelles. Cela concerne à la fois l’identification des publications pertinentes, l’alignement pour la création de mémoires de traduction, ainsi que l’extraction de termes pour la constitution de glossaires et de bases terminologiques (l’extraction terminologique automatisée étant déjà intrinsèquement complexe en raison des limites posées par les approches basées sur la fréquence d’occurrence des termes, ainsi que de la frontière parfois floue et subjective entre terminologie spécialisée et langage courant). Toujours concernant la qualité des traductions, il est très rare de trouver des informations sur l’origine des textes traduits et sur les processus par lesquels ils ont été produits : il devient donc presque impossible d’isoler de manière automatisée les traductions de qualité douteuse ou générées par un moteur de traduction sans aucune intervention humaine.

Conclusions préliminaires 

Ces premiers constats semblent suggérer que l’identification et la collecte des données bilingues existantes ne constituent pas une démarche suffisante. Il semble plutôt nécessaire de mettre en œuvre une action de sensibilisation, orientée vers le futur plutôt que tournée vers l’existant, sur les aspects juridiques et techniques relatifs à la création et à la gestion mutualisée de données textuelles multilingues. Une telle démarche devrait également se traduire en une valorisation du travail des professionnel.le.s de la traduction et de l’édition, qui permettent de produire des données de qualité. 

Les résultats de l’étude Cartographie et collecte de corpus scientifiques bilingues seront présentés et analysés plus en détail dans le cadre d’ateliers qui seront organisés à la fin de la phase exploratoire du projet Traductions et science ouverte. Les dates des ateliers seront communiquées sur ce carnet ultérieurement.



Citer ce billet
Susanna Fiorini (2023, 17 mai). Cartographie et collecte de corpus scientifiques bilingues : un premier bilan de l’étude. Traductions et science ouverte. Consulté le 25 mai 2024, à l’adresse https://doi.org/10.58079/vz5w

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.

Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search