Difficultés de traduction automatique des groups nominaux complexes dans les articles de recherche en langue de spécialité médicale et dans le domaine du TAL : pistes pour la formation des postéditeurs professionnels ou occasionnels.

Assessing the quality reached by machine translation systems when translat- ing some complex noun phrases in academic discourse (medecine and natural language processing). : potential leads for training posteditors and occasionnal users of machine translation systems.

• Auteur / Autrice : Maud Benard
• Direction : Natalie Kubler
• Type : Projet de thèse
• Discipline(s) : Sciences du langage - linguistique
• Date : Inscription en doctorat le 24/08/2020
• Etablissement(s) : Université Paris Cité
• Ecole(s) doctorale(s) : 622 - SCIENCES DU LANGAGE
• Partenaire(s) de recherche : Equipe de recherche : URP 3967 CLILLAC-ARP

Mots clés

Mots clés libres

Syntagme nominal complexe

Traduction automatique

Traduction

Langue de spécialité

Écriture scientifique et académique

Anglais

Français

Complex Noun Phrase

Translation

Machine translation

Academic and Scientific Writing

Language for Specific Puproses

English

French

Résumé

Si la traduction automatique neuronale (TAN) s’est imposée depuis les années 2010 grâce à un bond qualitatif indiscutable et une réduction de certains efforts de post-édition, elle n’est pas exempte d’erreurs. Or, son usage se développe, tant dans la traduction professionnelle que comme aide à la rédaction et à la compréhension par les non professionnels, dont les experts et les chercheurs non-linguistes. En effet, dans le domaine scientifique, l’anglais est la langue privilégiée pour les publications et les rencontres internationales. Toutefois, le discours scientifique anglais se caractérise par le recours important et croissant aux syntagmes nominaux complexes (syntagmes nominaux comprenant un nom tête et un ou plusieurs modifieurs), en particulier dans les articles de recherche. La complexité de ces syntagmes peut être accrue par la multiplication des éléments de complexification pour un même syntagme considéré. Ces particularités d’usage et de construction constituent un obstacle important à leur compréhension, leur production et leur traduction depuis et vers le français qui présente une plus faible tendance à la nominalisation. De plus, si le discours scientifique a longtemps été considéré comme unique et monolithique, il est aujourd’hui reconnu que des variations existent selon les disciplines et les contextes de communication. Cela est particulièrement vrai pour les articles de recherche et la construction des syntagmes nominaux complexes (SNC) n’échappe pas à cette tendance. Dans ce cadre, une analyse de la capacité des systèmes de TAN à traiter certains SNC particulièrement complexes et tirés de textes spécialisés authentiques prend tout son sens. L’étude que nous menons dans le cadre de cette thèse repose sur une analyse de corpus d’articles de recherche rédigés en anglais, provenant de deux domaines de spécialité différents et traduits en français simultanément par plusieurs systèmes. Pour le domaine médical, quatre systèmes sont comparés : un système généraliste et le même système entraîné dans le domaine médical (développement universitaire) ; un système entraîné (développement universitaire) et un système généraliste grand public (Systran). Pour le domaine du TAL, une étude préliminaire porte plus spécifiquement sur une analyse diachronique (2019 et 2022) de deux systèmes génériques accessibles en ligne (Systran et DeepL). L'objectif final de cette thèse consiste notamment à évaluer la qualité d'un système entraîné sur des corpus spécialisés par rapport à un système généraliste. Pour cela, nous avons développé une typologie d’analyse des erreurs afin de déterminer le type et le nombre des erreurs produites par les systèmes de TA (analyses en constituants erronées, ajouts ou suppressions injustifiées, erreurs terminologiques…), et de voir si des spécificités semblent émerger en lien soit avec le degré de spécialisation des systèmes, soit avec des traits distinctifs de construction des SNC dans chaque langue de spécialité (ex. : longueur, type de modifieurs, constructions syntaxiques…). En plus de cette analyse approfondie de l’anglais vers le français, nous avons également mené une étude pilote du français vers l’anglais afin d’ébaucher une première analyse des erreurs dans ce sens de traduction et de leur typologie. Ces résultats ouvrent des perspectives d‘application notamment dans la formation à l’utilisation de ces systèmes pour les traducteurs professionnels, mais aussi pour les chercheurs d’autres disciplines.

In the 2010s, neural machine translation (MT) technologies~–~systems that can be trained in specialised domains when given sufficient data and time~–~revolutionised the translation sector as they seemed to produce more accurate and affordable translations. Neural MT has increasingly been seen as a fitting aid for second-language speakers and for accessing knowledge in foreign languages. However, even though MT systems have improved, their output remains imperfect, more specifically when they process specialised discourse. English is the common language for international academic publications and communications. Research has shown that English academic discourse~–~especially research articles~–~is characterised by increasingly frequent use of complex noun phrases (CNP), comprised of a head noun and several modifiers. Their complexity may intensify when the various constructions are used together to form a single compound. These specificities in terms of usage and structure frequently create difficulties in comprehending, producing and translating them correctly. Their complexity may intensify with the various constructions used together to form a single compound such as length and embedments of pre- and post-modifications. Translating such CNPs into and from French is a challenge, as French academic discourse shows a lower tendency for nominalisation. CNPS may thus be translated into full sentences, infinitive, or relatives. Furthermore, research has revealed that academic discourse is not homogenous with variations observed between languages and disciplines. In this context, it is relevant to assess the level of quality reached by a MT system fine-tuned for a specific domain, as compared with a baseline system, when translating pre-modified CNPs in academic discourse. We present a method to assess the level of quality on authentic published texts (research articles written in English) from two specialised fields, namely medicine and Natural Language Processing (NLP). Four systems have translated the English medical article: a baseline system developed by a French university and the same system fine-tuned in the medical domain; a fine-tuned system developed by a second French university and an online general system (Systran). A diachronic analysis (between 2019 and 2022) focused on the translation of NLP articles by two online non-adapted systems (Systran and DeepL). To carry on those analyses, we develop an error analysis typology to determine the type and number of errors produced by MT systems (erroneous constituent analyses, unjustified additions or deletions, terminological errors, etc.), and whether any specific features seem to emerge in connection either with the degree of specialization of the systems, or with distinctive features of CNPs (e.g. length, type of modifiers, syntactic constructions, etc.). In addition to this in-depth analysis of English-to-French translations, we also carried out a pilot study of French-to-English translations in order to confirm the presence of errors in CNPs translations and sketch out a draft typology of the errors. These results open up interesting perspectives, notably in training professional translators, but above all researchers in other disciplines to use these systems.