1 Introduction

1Les progrès spectaculaires accomplis par les techniques de traduction automatique, et plus spécifiquement la traduction dite « neuronale », a, de manière fort justifiée, suscité des inquiétudes chez les traducteurs et les enseignants de langues. L’accès gratuit à ces outils peut faire craindre qu’il ne devienne difficile d’évaluer les productions des étudiants en langue de spécialité, voire que ceux-ci considèrent désormais l’apprentissage des langues comme inutile. Or ces avancées se heurtent pourtant à des limites, notamment s’agissant des discours de spécialité, et pas simplement dans le domaine de la traduction littéraire, comme on tend à le penser communément.

2Nous proposons ici un regard critique sur ces avancées technologiques, non pas pour nous réjouir de leurs limites, mais pour mieux les comprendre, et analyser ce qu’elles révèlent des caractéristiques des discours traduits. Nous souhaitons ainsi nous inscrire dans une approche raisonnée de l’utilisation des systèmes de traduction automatique lors de l’apprentissage des langues de spécialité. Des analyses d’erreurs à différents niveaux et obtenues par le biais de différents systèmes mettent en lumière l’incidence, pour la traduction de caractéristiques déjà identifiées par la recherche en langue de spécialité. Nous pensons notamment à la prise en compte de connaissances implicites partagées par la communauté de discours ou à la domination de la langue source sur la langue cible. Nous nous attachons particulièrement à comprendre comment cela affecte la traduction des syntagmes nominaux complexes (SNC), caractéristique centrale du discours scientifique et technique, qui tiennent une place importante en anglais de spécialité. Si le syntagme nominal « simple » est constitué d’un déterminant et d’un nom tête (Biber & Gray 2016), le syntagme nominal complexe résulte alors de l’ajout d’unités grammaticales à ces structures simples (syntagme prépositionnel, adjectif, nom adjectival, etc.).

3Dans les deux premières parties, nous revenons sur les étapes qui ont mené à la traduction « neuronale », puis nous évoquons les craintes que ces avancées ont provoquées. La troisième partie est consacrée à une analyse détaillée, fondée sur des exemples extraits d’études qui traitent des erreurs relevées quant à la traduction attendue. Nous nous attachons à comprendre ce qui, dans ces nouveaux systèmes de traduction et leurs modes d’évaluation, peut en expliquer l’origine, tant au niveau du syntagme que du texte. L’étude de ces erreurs met en évidence, dans une quatrième partie, les caractéristiques communes aux discours de spécialité qui posent encore des problèmes à la traduction automatique. Nous en tirerons finalement des conclusions pour la formation des étudiants aux langues de spécialité.

2 La fin des spécialistes en langues ?

4La traduction neuronale (neural machine translation) a émergé à la fin des années 2010, à la suite des progrès fulgurants réalisés dans le domaine de l’apprentissage automatique fondée sur le développement des réseaux de neurones grâce à la technique du deep learning. Si les fondements théoriques de cette technologie remontent aux années 1940, c’est l’accroissement des données disponibles, des capacités de stockage et de calcul des processeurs au début du XXI^e siècle qui a permis leur usage massif (Dreyfus 2019 ; Ganascia 2019). Depuis 2016, cette nouvelle technique s’est rapidement imposée en surpassant, si l’on croit des évaluations automatiques fondées sur un certain nombre d’indicateurs de qualité, les performances des systèmes statistiques et des systèmes hybrides qui étaient la référence jusqu’alors (Wu et al. 2016 ; Bentivogli et al. 2016). Ces résultats exceptionnels se sont accompagnés de déclarations très optimistes de la part des équipes de recherche et de la presse grand public. À la fin des années 2010, les évaluations automatiques des traductions utilisées à l’époque ont montré que les traductions neuronales pouvaient s’approcher de la précision des traductions humaines de qualité moyenne en anglais-français et anglais-allemand comme le déclarent Yonghu Wu et al. (2016 : 20) : « […] we show that our GNMT system approaches the accuracy achieved by average bilingual human translators on some of our test sets ». Ces évaluations ont montré par ailleurs que les traductions neuronales se rapprochaient de la biotraduction pour la traduction des actualités comme l’affirment Hany Hassan et al. (2018 : 1) : « We find that our latest neural machine translation system has reached a new state-of-the-art, and that the translation quality is at human parity when compared to professional human translation ».

6Dans ce contexte, les progrès récents de la traduction automatique neuronale s’accompagnent d’attentes importantes de la part des usagers potentiels (de Sinety 2019). Les progrès en matière de fluidité font que cet outil est de plus en plus perçu comme une aide potentielle à la rédaction en anglais (Goulet et al. 2017), et comme un outil pour accéder à des connaissances scientifiques dans des langues non maîtrisées (Yvon 2019 : 62 ; Kübler 2021). En parallèle, l’usage de la post-édition se développe en milieu professionnel. Dès 2017, Joss Moorkens (2017) supposait que son utilisation devrait certainement s’accroître en raison de la pression sur les coûts et la productivité. L’étude annuelle European Language Industry Survey menée par un groupement d’associations et d’organisations relevant des services linguistiques semble confirmer cette tendance : la part des entreprises et des indépendants déclarant utiliser la traduction automatique est ainsi passée de plus de 50 % en 2018 à 58 % des entreprises et plus de 70 % des indépendants en 2022 (UEATC 2022).

8Tant dans le domaine professionnel que dans celui de l’enseignement, la question se pose donc d’un repositionnement vis-à-vis de l’outil et de l’opération de traduction. Reste à mesurer jusqu’à quel point et de quelle manière. Certes, de l’importance des limites de l’outil dépend l’étendue des modifications à opérer. Mais les modalités de cette adaptation sont également liées à la nature des difficultés rencontrées et ce qu’elles disent de la langue de spécialité et de son apprentissage.

3 Des craintes justifiées ?

9Si le développement de la traduction neuronale s’est accompagné d’améliorations significatives en matière de fluidité, de nombreux points demeurent néanmoins à améliorer, et les annonces fracassantes des débuts doivent être nuancées.

10Tout d’abord, il est important de noter que l’évaluation interne des systèmes de TA repose principalement sur des métriques automatiques. Le « score Bleu » est la métrique la plus utilisée lors des évaluations automatiques : elle consiste à attribuer un score entre 0 et 1 à une traduction sur la base de la similitude du texte par rapport à une ou plusieurs traductions humaines de référence. Cet outil reste cependant difficile à corréler avec les avis des évaluateurs humains. Ainsi, Samuel Läubli et al. (2018) ont évalué le système développé par Hassan et al. (2018) en faisant appel à des traducteurs professionnels : ils ont montré que lorsque l’évaluation est faite au niveau du texte dans son intégralité, les traducteurs professionnels semblent préférer les traductions humaines. Une étude similaire menée par Antonio Toral et al. (2018) a également mis en évidence l’importance de prendre en compte le contexte pour l’évaluation effective de la qualité d’une traduction produite automatiquement. Par ailleurs, si les performances des systèmes neuronaux semblent globalement meilleures que celles des systèmes précédents, certains problèmes persistent, et semblent même spécifiques à la traduction neuronale. De nombreuses études se sont attachées à analyser les caractéristiques linguistiques qui lui posaient particulièrement problème. Ainsi, en 2017, Toral et Sánchez-Cartagena ont montré que, si les systèmes neuronaux obtenaient de meilleurs résultats que les systèmes statistiques en matière de fluidité, de flexion et d’ordre des mots pour les neuf paires de langues étudiées, les systèmes statistiques présentaient de meilleures performances lors de la traduction de longs segments (plus de 40 mots). Les erreurs d’omission, d’ajouts ou de contresens semblent également plus fréquentes qu’avec les systèmes statistiques (Castilho et al. 2017). Les travaux de Vivien Macketanz et al. (2017) sur la traduction anglais-allemand dans le domaine des technologies de l’information, ont montré que si le système neuronal fournit de meilleurs résultats pour la traduction des verbes, le système à base de règles est celui qui obtient les meilleurs résultats pour la traduction des mots composés. En soumettant à un système neuronal cent phrases qui contiennent chacune un exemple de phénomènes linguistiques connus pour poser des difficultés de traduction, Pierre Isabelle et al. (2017) révèlent que les systèmes neuronaux obtiennent des scores plus faibles lors de la traduction d’expressions idiomatiques.

11François Yvon (2019) synthétise les faiblesses de la traduction neuronale en parlant de l’apparition d’un « e-traductionnais », aussi nommé « machine translationese » (Bizzoni et al. 2020), langue caractéristique de ce type de traduction qui se distingue par :

[une] moindre variété lexicale, surreprésentation des vocables très fréquents, tendance à reproduire l’ordre des mots des textes sources, auxquelles s’ajoutent les effets des erreurs propres aux traductions automatiques, relatifs, par exemple, à la faible cohésion lexicale ou à la méconnaissance de termes ou d’idiomes.

12Il explique ce phénomène par le fait que la traduction neuronale s’appuie sur des corpus parallèles constitués pour moitié de textes traduits, d’où une contamination par le phénomène du « translationese » déjà mis en évidence par Mona Baker (1998) ou « jargon de traduction ». Cependant, la traduction neuronale ne partage pas avec la traduction humaine la tendance à l’explicitation (Baker 1998), dans la mesure où elle tend à se conformer au texte source (Burlot & Yvon 2018). Certaines formes de machine translationese s’avéreraient spécifiques soit aux corpus d’entraînement produits par les traducteurs humains, soit spécifiques aux modèles mêmes de traducteurs automatiques (Bizzoni et al. 2020). Enfin la prise en compte du texte dans son ensemble, et de son contexte, s’avère difficile pour des systèmes qui traduisent segment par segment, d’où un manque de cohérence lexicale au niveau textuel. Ce problème n’est pas suffisamment pris en compte par des indicateurs de qualité d’une traduction, qui fonctionnent également au niveau de la phrase et du segment. L’effet de fluidité, qui est une des qualités de la traduction neuronale, ne fait que rendre cette insuffisance plus visible (Voita et al. 2019). C’est donc l’un des enjeux principaux du développement de ces systèmes.

4 Identifier et analyser les limites inhérentes au système

13Les systèmes de traduction reposant sur une architecture neuronale sont donc encore perfectibles et nécessitent une intervention humaine pour corriger les erreurs. Comme le soulignent Marie-Josée Goulet et al. (2017), l’utilisation de la traduction automatique comme aide à la rédaction se rapproche de la pratique de la post-édition pratiquée par les traducteurs professionnels. Il s’agit en effet de modifier un texte pour en améliorer la qualité afin d’atteindre le niveau d’exigences linguistiques de la communauté de discours visée (contrôle des termes, vérification grammaticale, choix des collocations appropriées…). On peut donc s’interroger sur la place des connaissances linguistiques des non-spécialistes en langues (étudiants dans l’enseignement secondaire ou supérieur en langue seconde, experts techniques…) pour aborder et utiliser de manière appropriée ces outils. Il apparaît nécessaire de connaître les limites et les spécificités de ces outils pour les intégrer dans la formation des étudiants à une langue seconde (aide à la rédaction, aide à la compréhension), et plus spécifiquement, identifier leur usage lorsque celui-ci s’avère inapproprié.

14Nous proposons d’illustrer ces points dans la suite de cet article en nous intéressant aux textes produits par divers systèmes de traduction automatique. Les exemples (1) à (6) sont tirés d’une étude préliminaire (Bénard 2020) sur la traduction de 689 syntagmes nominaux complexes, issus de quatre articles de recherche en Traitement Automatique des Langues (TAL), par deux systèmes de traduction neuronaux : DeepL et Systran (versions gratuites et accessibles en ligne en décembre 2019). Ces systèmes n’étaient pas spécialisés dans un domaine en particulier. L’identification des erreurs repose sur la typologie développée par Natalie Kübler et ses collègues (Kübler et al. 2022) pour les syntagmes nominaux complexes (SNC). Si les systèmes ont évolué depuis cette pré-étude, les exemples présentés ci-dessous restent représentatifs des erreurs auxquels l’utilisateur peut être confronté lors de l’utilisation des systèmes de traduction automatique.

4.1 Faire face aux divers types d’expressions complexes

15L’une des difficultés rencontrées le plus fréquemment par les étudiants concerne un phénomène linguistique emblématique du discours scientifique moderne anglais, à savoir le syntagme nominal complexe (SNC) du type domain adaptation. Les variations possibles dans la juxtaposition des constituants du syntagme constituent également une difficulté réelle pour les systèmes de traduction neuronale.

17Dans la même catégorie des SNC, la traduction des noms propres (les noms de marque par exemple), est un obstacle complexe qui souligne la nécessité de connaissances contextuelles liées au domaine, comme le montre l’exemple (2) :

(2a) Source : The Iconic MT engines are based on a proprietary Ensemble Architecture ™.

(2b) Systran : Les moteurs Iconic MT sont basés sur une architecture d’ensemble™.

(2c) DeepL : Les moteurs de TA iconique sont basés sur une architecture d’ensemble propriétaire.

(2d) Traduction attendue : Les moteurs de traduction automatique développés par Iconic reposent sur un moteur de TA propriétaire dénommé Ensemble Architecture.

18L’identification correcte de la tête du syntagme nominal (Les moteurs de traduction automatique développés par Iconic) exige donc la connaissance de l’entreprise appelée Iconic et du moteur de la marque Ensemble Architecture. Aucun indice dans le texte lui-même ne permettant cette identification, la seule alternative serait que le système se fonde sur un corpus parallèle comprenant à plusieurs reprises ces deux noms propres, hypothèse improbable du fait du nombre limité de sources disponibles.

19De même, la traduction des sigles pose un problème spécifique aux domaines scientifiques et techniques, dans la mesure où deux cas de figure opposés se présentent : le sigle de la langue source peut soit être traduit dans la langue cible soit, au contraire, et c’est fréquemment le cas, être directement importé dans la langue cible. Ainsi, sous l’influence probable de la forme développée traduction automatique statistique, le sigle anglais SMT a occasionnellement été traduit par le sigle construit TAS par DeepL. Le sigle anglais MT est régulièrement utilisé par DeepL et systématiquement par Systran à la place du sigle français TA. L’exemple (3) illustre cette divergence entre les deux systèmes de traduction neuronaux (exemples surlignés) :

(3a) Source : This paper discusses neural machine translation (NMT), a new paradigm in the MT field, comparing the quality of NMT systems with statistical MT by describing three studies using automatic and human evaluation methods.

(3b) Systran : Cet article traite de la traduction automatique neurale (NMT), un nouveau paradigme dans le domaine des MT, en comparant la qualité des systèmes de NMT avec la MT statistique en décrivant trois études utilisant des méthodes d’évaluation automatique et humaine.

(3c) DeepL : Cet article traite de la traduction automatique neuronale (TNM), un nouveau paradigme dans le domaine de la TA, en comparant la qualité des systèmes de TNM avec la TA statistique, en décrivant trois études utilisant des méthodes d’évaluation automatiques et humaines.

20Les syntagmes nominaux combinant une prémodification et une coordination constituent des difficultés encore plus singulières. En effet, la syntaxe anglaise permet qu’un adjectif puisse être identifié soit comme le prémodifieur du premier nom d’une coordination, soit comme le modifieur d’un syntagme coordonné comportant deux noms. Par exemple, si l’on symbolise les prémodifications à l’aide de crochets, la combinaison syntaxique ADJ N and N peut ainsi être interprétée comme un syntagme nominal coordonné (la tête) avec une prémodification adjectivale, ADJ [N and N], ou comme un syntagme constitué de la coordination d’un nom simple et un syntagme nominal à prémodification adjectivale, [ADJ N] and N. Les difficultés des systèmes de TA à traiter cette ambiguïté morphosyntaxique ont été soulignées par plusieurs travaux de François Maniez dans le domaine médical (Maniez 2008, 2020). Mieux encore, le modifieur d’une tête simple peut lui-même être coordonné. Là aussi, les erreurs portent essentiellement sur l’identification de la première partie du constituant : le moteur n’identifie généralement pas que le premier nom du syntagme coordonné est également un modifieur nominal de la tête. L’exemple (4) illustre ce point :

(4a) Source : Deep learning is revolutionizing speech and natural language technologies since it is offering an effective way to train systems and obtaining significant improvements.

(4b) Systran : L’apprentissage en profondeur révolutionne la parole et les technologies de langage naturel puisqu’il offre un moyen efficace de former les systèmes et d’obtenir des améliorations significatives.

21Le syntagme comprenant un prémodifieur coordonné, [N Prep ADJ N] N semble donc avoir été interprété comme une coordination entre un syntagme simple, speech, et un syntagme complexe, natural language technologies.

22Les systèmes neuronaux rencontrent également des difficultés à traiter les phrases et les syntagmes longs. L’exemple (5) illustre ce point :

(5a) Source : the mature Chinese to English patent MT engines,

(5b) Systran : les moteurs chinois matures et anglais brevetés MT

(5c) traduction attendue : les moteurs aboutis pour la traduction automatique de brevets du chinois vers l’anglais.

23Le système neuronal a correctement identifié la tête moteurs, a également su lui associer mature, mais lui a également associé à tort Chinese, dissociant les syntagmes Chinese to English et MT engines. Le patron syntaxique ADJ1 [(N5 Prep N4) (N3(N2 N1))] semble donc avoir été interprété comme [(ADJ1 N5) Prep (N4 N3 N2)] N1. Ici aussi c’est la contextualisation en domaine qui fait défaut : impossible hors contexte de comprendre que MT classifie engine et que mature le qualifie.

24Le caractère très spécialisé de ces exemples met en avant une difficulté inhérente à ce qui fait la force du système neuronal à savoir la capacité à se fonder sur des corpus déjà traduits par des spécialistes pour identifier les associations de termes récurrentes et les reproduire. Or, comme le souligne F. Yvon (2019 : 63) :

[…] la TA contemporaine se nourrit de grandes masses de données, ce qui permet d’opérer une première distinction entre les différents scénarios d’usage de la TA : ceux pour lesquels ces données existent et ceux pour lesquels elles n’existent tout simplement pas.

25Par conséquent, il est très difficile pour la TA actuelle de s’adapter à des domaines très spécialisés ou innovants où les corpus traduits sont nécessairement encore limités. La même question se pose pour les langues où la production dans le domaine est peu abondante.

4.2 La question de l’incohérence textuelle

26L’incohérence textuelle est un problème bien connu dans les traductions automatiques. Elle consiste à la fois en une incohérence terminologique et en une incohérence syntaxique. Elle se manifeste par une cooccurrence de formes erronées et de formes correctes au sein d’un même sous-corpus. Or, si l’incohérence des unités les plus fréquentes peut s’identifier facilement, ce n’est pas obligatoirement le cas des unités plus rares. Leur incohérence peut échapper au lecteur. Ainsi, dans l’étude exploratoire de Bénard (2020), nous montrons que l’incohérence de traduction du sigle anglais MT, dont la traduction française est TA, saute rapidement aux yeux dans le sous-corpus DeepL avec 99 occurrences du sigle TA et 40 occurrences du sigle MT en français. Au contraire, l’incohérence de traduction de training data peut passer inaperçue, avec seulement neuf occurrences dans les cinq textes étudiés, dont quatre occurrences d’une traduction par données de formation et cinq occurrences de données d’entraînement. Cette difficulté est renforcée lorsqu’elle se conjugue à une mauvaise identification des termes du domaine : un lecteur ou un post-éditeur ne connaissant pas le domaine pourrait considérer que le mot formation est adapté pour traduire training, alors que le terme utilisé en TAL est entraînement. L’incohérence syntaxique complexifie encore la post-édition. Elle peut se cumuler avec une instabilité des choix liés à la traduction d’un même syntagme : ainsi, MT model peut être traduit automatiquement par modèle MT, modèle TA, modèle de TA, etc. alors qu’une seule forme, modèle de TA est correcte.

27L’exemple (6) illustre ces incohérences (surlignées ci-dessous) à l’intérieur d’un même système :

(6a) Source : This paper explores two strategies to integrate recurrent neural language models in neural MT: a shallow fusion simply combines the scores of the neural MT and target language models, and a deep strategy explores the fusion of the hidden states of both models.

(6b) Systran : Cet article explore deux stratégies pour intégrer des modèles de langage neuronal récurrent dans la MT neurale : une fusion superficielle combine simplement les scores des MT neuronaux et des modèles de langage cible, et une stratégie profonde explore la fusion des états cachés des deux modèles.

28Cet exemple met en évidence non seulement une instabilité terminologique, mais aussi une erreur conceptuelle. En effet, l’adjectif anglais neural, dont la traduction attendue en TAL est neuronal, en référence aux réseaux de neurones, est traduit par neural. Or ce terme relève du domaine médical, où il fait référence en français au système nerveux.

4.3 Au-delà de la terminologie, le niveau lexicogrammatical

30Cet exemple spécifique au domaine des brevets est révélateur des limites que rencontre la traduction neuronale lorsqu’il s’agit de traduire des constructions lexicogrammaticales spécifiques à un domaine spécialisé, compte tenu de sa dépendance à la taille et à la qualité des corpus utilisés pour l’entraînement.

5 S’appuyer sur la connaissance des rouages de la TA pour comprendre et enseigner les langues de spécialité

5.1 Ce que révèlent les limites de la TA du fonctionnement des langues de spécialité

31La diversité des exemples que nous venons de donner n’illustre pas seulement les limites auxquelles se heurte encore la traduction neuronale. Elle met également en lumière l’importance des connaissances développées dans l’enseignement des langues de spécialité pour une analyse critique du discours traduit par des systèmes automatiques.

32Ainsi, le choix entre la traduction ou l’emprunt des sigles anglophones (cf. exemple 3) éclaire les implications des phénomènes de domination culturelle en matière scientifique. Le fait qu’une discipline emprunte le sigle anglais ou crée le sien dans la langue cible ne relève pas du hasard, mais du degré d’autonomie du domaine francophone, par exemple, par rapport au domaine anglophone, où a bien souvent lieu l’innovation. La domination de l’anglais est telle qu’il arrive que l’innovation, bien que provenant d’un pays non anglophone, soit exprimée d’abord en anglais. En outre, parce que les scientifiques francophones se fondent sur la lecture de textes écrits en anglais, la tendance est de ne pas traduire les sigles, mais de les emprunter à l’anglais, créant ainsi un écart entre la forme développée souvent traduite et le sigle directement importé. Ces phénomènes, révélateurs de rapports de pouvoir entre les cultures, peuvent entraîner des incohérences terminologiques locales, causées par l’alternance entre emprunt et traduction.

33De la même manière, la confusion entre « neural » et « neuronal » en français (cf. exemple 6) peut entraîner des difficultés de compréhension, cette fois liées à une mauvaise identification du domaine, le TAL pour « neuronal », les neurosciences pour « neural ». Ici, ce sont les emprunts d’un domaine de spécialité à l’autre pour exprimer l’innovation qui posent des problèmes à un système dont la capacité à contextualiser l’information relève entièrement de la nature du corpus qui nourrit son apprentissage. La langue de spécialité anglaise a gardé intact l’emprunt aux neurosciences du terme « neural », faisant référence aux nerfs constitués de neurones. Ce n’est pas le cas du français qui a fait le choix de préférer l’emprunt du terme « neuronal » faisant référence aux neurones.

34S’agissant de la langue scientifique spécialisée, la capacité à interpréter les syntagmes nominaux complexes est certainement l’exemple le plus probant de ces interactions entre analyse d’erreur et compréhension fine des mécanismes complexes liés aux langues de spécialité. Ainsi, on a mis en évidence dans la partie 3.1 que la catégorisation des SNC recouvre des modes d’association différents, dont la dissociabilité est liée aux connaissances contextuelles : c’est le cas de l’exemple 2 (the mature Chinese to English patent MT engines). Ce syntagme nominal complexe ne peut être correctement interprété qu’en se fondant sur les associations liées au domaine spécialisé de la traduction automatique en langue scientifique et technique : c’est ce qui permet de conserver les syntagmes Chinese to English, MT engines, et de comprendre que MT engines s’applique à patent et est décrit comme mature.

35Or, ces syntagmes nominaux complexes sont une caractéristique centrale de la langue scientifique moderne, le point d’aboutissement d’un phénomène de nominalisation des connaissances, que Michael A.K. Halliday (2004) désigne comme une « métaphore grammaticale ». En d’autres termes, la stabilisation des connaissances scientifiques aboutit à leur expression sous la forme de résultats et non plus de processus, leur conférant ainsi la légitimité du savoir acquis. Selon Douglas Biber et Bethany Gray (2016), il s’agit même d’une tendance endémique dans les sciences dites « dures », qui affectionnent particulièrement la construction de syntagmes composés d’un pré-modifieur et d’un noyau comme dans vimentin filament separation. Le développement de ce type de « phrasal embedding » peut associer dans un même syntagme prémodifieur, adjectif attributif et expression prépositionnelle utilisée comme un post-modifieur avec le terme noyau central de l’expression (cf. exemple 4). Ce faisant, il contribue fortement à une complexification du discours scientifique pour le non-expert. En fait, le décodage de ces expressions complexes exige l’accès aux connaissances liées au domaine de spécialité. Il réserve donc de fait la compréhension du discours scientifique aux membres de la communauté spécialisée. Cette conclusion rejoint le jugement exprimé par Halliday (2004 : 225) qui affirme :

The language of science, though forward looking in its origins, has become increasingly anti-democratic: its arcane grammatical metaphor sets apart those who understand it and shields them from those who do not.

36Il est intéressant de voir que les progrès de la traduction automatique et ses limites mettent en évidence ces phénomènes, et montrent combien la question de l’accès au contexte, notamment des connaissances partagées, est essentielle à la compréhension des phénomènes liés au discours spécialisé. C’est bien en effet à travers leur traduction que ces phénomènes de « compactage structurel » de l’information (Biber and Gray 2016) montrent leur opacité (voir notamment Kübler et al. 2022).

37La difficulté d’interpréter ces structures compactes dépasse de très loin un phénomène local, limité à la compréhension d’une expression. Elle peut affecter la structure argumentative du texte. C’est notamment le cas des stratégies de packing et unpacking décrites par Geneviève Bordet (2013) ainsi que Christopher Gledhill et Mojca Pecman (2018). Dans cette situation, une expression complexe, qui désigne un concept central pour l’argumentation, est tour à tour présentée sous sa forme développée ou compactée, en fonction de la place qu’elle occupe dans la structure rhétorique. Seule une analyse au niveau du texte permet de comprendre qu’il s’agit là de variations d’un même concept et non de concepts différents, ou d’incohérences de l’auteur. Cette interprétation au niveau textuel ne semble actuellement pas accessible à un système de traduction automatique qui fonctionne au niveau de segments ou de phrases. De même, ne pourraient être pris en compte les phénomènes de prosodie sémantique qui tissent au niveau du discours un réseau de connotations entre les termes d’un domaine de spécialité, comme l’ont montré Kübler et Volanschi (2012) pour le discours géologique. Or, on peut se demander dans quelle proportion les systèmes de TA seraient ainsi capables d’identifier et de rendre les fluctuations de prosodie sémantique entre la langue générale et la langue spécialisée. Ce phénomène qui attribue notamment à un verbe de sens neutre en apparence, comme « causer », une valeur positive ou négative ne peut être décelé qu’en analysant l’environnement lexicogrammatical du terme, mais il varie en fonction des langues. Il y a donc un risque d’appauvrissement de la complexité implicite du discours scientifique dans sa version traduite de manière automatique.

5.2 Quelles implications pour la formation en langues et en langue de spécialité ?

38Pour Lynne Bowker et Jairo Buitrago Ciro (2019), l’adaptation à ce nouvel outil dépasse de très loin le périmètre du monde universitaire de la traduction, et plus particulièrement de la traduction spécialisée. Dans un ouvrage destiné, de manière significative, à tous les spécialistes de l’information scientifique, bibliothécaires, éditeurs, étudiants, enseignants et chercheurs notamment, se trouve promu un nouveau type de « literacy » ou « machine translation literacy ». Cette nouvelle compétence s’intégrerait ou s’associerait à celle de la « digital literacy » définie, en référence à Allan Martin (2006) comme :

[…] the awareness, attitude, and ability of individuals to appropriately use digital tools to identify, access, manage,integrate, evaluate, analyze and synthesize digital resources, construct new knowledge, and communicate with others, as well as to reflect upon this process. (Bowker & Buitrago Ciro 2019 : 33).

39Les auteurs insistent notamment sur la capacité critique et réflexive qu’implique cette définition. Elle nous paraît donc complémentaire de la nécessité, non seulement d’une maîtrise de la langue source et de la langue cible (comme l’illustre la question de la traduction des SNC anglais), mais aussi d’une connaissance des caractéristiques spécifiques aux langues de spécialité dans leur ensemble et de celles du domaine de spécialité concerné. Cette réflexivité implique également la maîtrise d’un métalangage issu du domaine grammatical et linguistique qui permet de nommer les erreurs et d’en analyser les causes. À ce titre, plusieurs expériences récentes révèlent que l’exercice de post-édition de la TA pourrait constituer un outil utile pour améliorer les connaissances métalinguistiques des étudiants (Benda 2014 ; Correa 2014 ; Enkin & Mejías-Bikandi 2016 ; Valijärvi & Tarsoly 2019).

40Cette connaissance des langues spécialisées ne devient toutefois opérationnelle en matière de lecture critique de la traduction automatique que si elle se combine avec une « machine translation literacy ». Cette nouvelle forme de maîtrise des outils de communication implique que l’étudiant et le chercheur disposent de connaissances élémentaires sur le fonctionnement de l’outil, en comprennent les modes d’utilisation pour la traduction ou la production de discours en langue étrangère, en évaluent les implications, et soient ainsi en mesure d’analyser la production du système automatique de manière critique et de la corriger, à la fois en termes de pertinence et de lisibilité.

41Mais pour Bowker et Buitrago Ciro (2019), au-delà de la connaissance des rouages et des limites de la machine, il s’agit de former un utilisateur capable de rédiger un texte qui soit « translation-friendly », donc susceptible d’éviter les ambiguïtés et complexités génératrices d’erreurs. Cette vision du discours scientifique, dont le contenu serait dissociable du contenant, et où la forme de l’expression ne serait pas mêlée à la nature même de ce qui est dit, pour pragmatique qu’elle soit, nous paraît hautement contestable d’un point de vue linguistique. Elle peut néanmoins être la source avec les étudiants d’une réflexion sur ce qui rend ou non communicable le produit de la pensée.

42De manière générale, il apparaît que, loin d’invalider l’approche linguistique de la traduction, le développement de la traduction automatique impose plus que jamais la formation des étudiants à l’exercice d’un regard critique sur la langue. Ce regard peut être alimenté par les approches complémentaires déjà développées dans la formation en langues, qu’il s’agisse de la terminologie, de l’analyse de discours, ou de la maîtrise des concepts de code, de registre et de genre. La pratique de l’approche de corpus permet la prise de conscience des implications des choix opérés pour la constitution du corpus sur les résultats obtenus et leur interprétation, prise de conscience indispensable pour la compréhension de l’impact des corpus utilisés sur la qualité de la traduction automatique. Enfin, il est souhaitable que ce regard critique prenne également en compte les questions liées à la propriété intellectuelle et au droit d’utilisation des outils informatiques en ligne. Combien d’étudiants sont conscients que les données fournies à un système automatique de traduction peuvent être stockées par le système pour un usage ultérieur ? La gratuité a un prix et c’est celui des données. Ce constat est un élément important de ce nouveau type de littératie numérique.

6 Conclusion

43Si le développement de la traduction neuronale s’est accompagné d’améliorations significatives en matière de fluidité, de nombreux points d’amélioration sont encore observables. Nous avons ainsi illustré les limites de ces systèmes dans l’interprétation du discours spécialisé et de ses variations, notamment dans le traitement des syntagmes nominaux complexes, aussi bien au niveau du syntagme lui-même (variations possibles dans la juxtaposition des constituants, identification des constituants coordonnés…) comme au niveau du texte (instabilité des choix de traduction, identification adéquate du domaine de spécialité…). Or, ces syntagmes nominaux complexes sont une caractéristique centrale de la langue scientifique moderne et la difficulté d’interpréter ces structures peut affecter la structure argumentative du texte. L’utilisateur des systèmes de traduction automatique ne peut donc rester un simple consommateur : la correction par le relecteur reste primordiale pour obtenir des textes de qualité.

44L’adaptation à ce nouvel outil dépasse de très loin les limites du monde universitaire de la traduction, et plus particulièrement de la traduction spécialisée. En effet, l’essor de l’utilisation de la traduction automatique comme aide à la rédaction, que ce soit par les étudiants en langue de spécialité ou les actifs en milieu professionnel, se rapproche de la pratique de la post-édition pratiquée par les traducteurs professionnels. Or, ce regard critique sur les systèmes de traduction automatique nous semble impossible sans des connaissances linguistiques solides, que ce soit dans la langue de spécialité elle-même (par exemple, pour l’identification des erreurs terminologiques), mais également dans les langues naturelles, sources et cibles, utilisées par les systèmes (syntaxe, erreurs lexicogrammaticales, etc.). Au-delà des connaissances linguistiques, il s’agit de développer un nouveau type de littératie numérique, afin de disposer de connaissances élémentaires sur le fonctionnement de l’outil, et ce, afin de réaliser les choix les plus pertinents en fonction de ses besoins et des spécificités de la langue de spécialité considérée.

45Nous considérons que les craintes mentionnées en début d’article n’ont pas lieu d’être. Loin d’amoindrir l’intérêt d’un apprentissage des langues étrangères, la traduction automatique en confirme l’intérêt. Les systèmes de traduction automatique ne doivent pas être interdits ou occultés dans l’enseignement des langues. Ce sont des outils qu’il convient de connaître et de maîtriser au même titre, par exemple, que les dictionnaires bilingues, de format papier ou numérique, les corpus en ligne ou les bases de données terminologiques. Il s’agit d’accompagner les étudiants dans la découverte de leurs mécanismes, de leurs possibilités, de leurs limites et de leurs évolutions pour développer un usage critique qui pourrait en retour permettre d’améliorer leur expression et leur compréhension de la langue. Ainsi, les limites actuelles de la TA ouvrent de multiples possibilités pour amener les étudiants à développer une maîtrise du discours considéré comme moyen de communication et non comme production « idéale ». Une autre crainte récurrente concerne la difficulté d’évaluer la production des étudiants en distinguant ce qui relèverait de leurs compétences linguistiques propres et ce qui relèverait d’une traduction automatique. Il nous paraît important d’envisager un changement de paradigme en matière d’évaluation, en mettant l’accent non plus seulement sur la qualité de la production, mais sur la capacité à analyser et à justifier ses choix. Cette approche impliquerait de développer chez l’ensemble des étudiants en langue de spécialité un métalangage qui leur fournisse les outils nécessaires pour exprimer une approche critique du discours traduit, depuis les concepts les plus simples (fonctions des éléments de la phrase) jusqu’aux techniques rhétoriques propres à un genre (modalisation, usage des temps, construction de la cohérence).

46Si leur usage est aujourd’hui très répandu, les systèmes de traduction automatique ne doivent pas être perçus comme une menace, mais comme un outil à part entière au service de l’enseignement des langues de spécialité.