Traduction automatique et usage linguistique : une analyse de traductions anglais-français réunies en corpus

Abstract

Cet article propose une analyse linguistique d’un corpus de français traduit de façon automatique depuis l’anglais, en comparaison d’un corpus de français original. Deux outils de traduction automatique ont été retenus pour cette étude, l’un générique, grand public et neuronal tandis que l’autre est un outil spécifique, utilisé par une grande organisation internationale et à base de statistiques. Selon la méthodologie de la traductologie de corpus, à travers une analyse quantitative de phénomènes linguistiques (lexicaux et grammaticaux) connus pour poser problème aux traducteurs anglais-français, nous montrons que l’usage linguistique, au-delà des règles et dont le respect permet d’atteindre la fluidité et l’idiomaticité de la langue cible attendues sur le marché, n’est pas pris en compte par les outils de traduction automatique actuels. L’objectif est de mettre au jour la valeur ajoutée de la traduction humaine, tout particulièrement auprès des traducteurs en formation.

Multi-word Units in Machine Translation: why the Tip of the Iceberg Remains Problematic – and a Tentative Corpus-driven Solution

“…In addition to automated methodologies as illustrated in the preceding section, we agree with Loock [1] that a careful manual analysis of examples that remain problematic for MT is of the essence. In this case, we have randomly selected from the news a number of examples of sentences with rich phraseology, which posed a real problem to both Google Translate and DeepL.…”

“…Neural machine translation (NMT) is now generally considered as a major breakthrough in machine translation (MT). As pointed out by Loock [1], the growing success of NMT since 2015 is now such that in 2018, and for the first time, more than half of all translation companies and services in Europe reported using MT to some extent. In particular, the results obtained by DeepL with NMT have impressed the general public (as shown by the many newspaper articles on DeepL's web page), as well as language professionals and researchers.…”

“…This enthusiasm for the progress made by NMT in general, and DeepL in particular, is not really shared by Loock [1], who uses a methodology derived from Corpusbased Translation Studies [5]. The study compares a corpus of original French with a corpus of translations from English into French, carried out by 2 NMT systems: DeepL on the one hand, and the system used by the European Commission, MT@EC/eTranslation on the other.…”

MT Evaluation in the Context of Language Complexity

“…NMT took a huge leap forward when sequence-to-sequence models were first introduced [18]. So far, it has already achieved excellent performance on a great volume of translations from English into French [12,19] as well as from English into German [20]. MT systems for translating dialectal sentences into their standard language form can be of great benefit as Farhan et al [18] have shown.…”

Bowker, Lynne et Buitrago Ciro, Jairo (2019) : Machine Translation and Global Research : Towards Improved Machine Translation Literacy in the Scholarly Community. Bingley : Emerald Publishing, 111 p.

“…Malgré de telles précautions pour produire des textes plus faciles à traduire par la machine, les auteurs reconnaissent que le recours à la post-édition s'avèrera toujours nécessaire et que pour que celle-ci soit efficace, une bonne connaissance des erreurs typiques apparaissant dans les traductions effectuées grâce à des outils de TA est requise. Sur ce sujet, dans la mesure où ces erreurs varient en fonction des langues de travail mais aussi des outils de TA utilisés, les auteurs ne fournissent que très peu d'exemples et ne formulent pas de recommandations concrètes (p. 76-77), ce que le lecteur avide de mise en pratique pourra regretter, d'autant que la littérature scientifique sur le sujet est abondante (par exemple Castilho, Moorkens et al 2017 ;Isabelle, Cherry et al 2017 ;Lapshinova-Koltunski 2015 ;Macketanz, Avramidis et al 2017 ;Loock 2018) et a mis au jour un certain nombre d'erreurs récurrentes ou de biais à corriger lors de la post-édition de textes traduits automatiquement. Un tel développement constituerait d'ailleurs un prolongement naturel de la lecture de l'ouvrage.…”