La traduction automatique du discours juridique\u00a0: est-elle fiable\u00a0?<\/strong><\/h2>\n <\/p>\n
\u00a0<\/strong><\/p>\nKira Peshkov
\n<\/strong>Docteure en \u00e9tudes slaves de l\u2019Universit\u00e9 d\u2019Aix-Marseille
\nTraductrice Experte agr\u00e9\u00e9e par la Cour de cassation
\nExperte pr\u00e8s la Cour d\u2019appel d\u2019Aix-en-Provence
\nkirapeskov@gmail.com<\/a><\/p>\nKlim Peshkov
\n<\/strong>Traducteur, Sp\u00e9cialiste en traitement automatique des langues
\nklim.peshkov@gmail.com<\/a><\/p>\n
\nR\u00e9sum\u00e9<\/h4>\n
La traduction automatique devient de plus en plus performante ce qui, en principe, est cens\u00e9 \u00e9conomiser le temps et les ressources du traducteur. Une traduction automatique du discours juridique ne n\u00e9cessitant pas de phase de post-\u00e9dition importante est-elle d\u00e9j\u00e0 possible\u00a0? Le pr\u00e9sent article explore la possibilit\u00e9 d\u2019utilisation de DeepL, l\u2019un des meilleurs outils de traduction automatique, pour l\u2019aide \u00e0 la traduction du discours juridique. L\u2019analyse linguistique de la traduction du discours juridictionnel montrera les diff\u00e9rents types d\u2019erreur de DeepL et leur fr\u00e9quence. Dans la conclusion de l\u2019article nous mettrons en garde les traducteurs et ceux qui utilisent la traduction automatique dans un contexte juridique.<\/p>\n
Abstract
\nMachine translation of legal discourse: is it reliable?<\/h4>\n
Machine translation is becoming more and more effective, and one could hypothesize that it should bring about the economy of translator\u2019s time and effort. Is machine translation of legal discourse which does not require substantial post-editing efforts already possible? The paper explores the possibility of usage of one of the best machine translation tools DeepL in the task of assisting in legal discourse translation. Linguistic analysis of judicial discourse translation will show different types of errors of DeepL and their frequency. The paper\u2019s conclusion warns translators and those who use machine translation in a legal context.<\/p>\n
\nIntroduction<\/h3>\n
La traduction automatique (par la suite\u00a0: TA) devient de plus en plus performante, ce qui est cens\u00e9 \u00e9conomiser le temps et les ressources du traducteur, d\u2019autant plus que les traductions juridiques sont souvent demand\u00e9es en urgence, les d\u00e9lais de traduction \u00e9tant soumis \u00e0 la proc\u00e9dure l\u00e9gale. Dans ces conditions, le recours \u00e0 la traduction automatique permet de gagner du temps. Mais avec quel r\u00e9sultat dans la langue-cible ?<\/p>\n
La traduction du discours juridique pose des probl\u00e8mes tant aux niveaux terminologique et notionnel qu\u2019au niveau culturel. Le pr\u00e9sent article interroge la possibilit\u00e9 d\u2019utiliser l\u2019un des meilleurs outils de TA, DeepL, bas\u00e9 sur les r\u00e9seaux neuronaux, pour aider \u00e0 la traduction du discours juridique, et la n\u00e9cessit\u00e9 d\u2019une phase de post-\u00e9dition (r\u00e9vision par un traducteur humain).<\/p>\n
L\u2019analyse linguistique montrera les diff\u00e9rents types d\u2019erreurs les plus fr\u00e9quentes de DeepL dans la traduction franco-russe du discours juridique. Ainsi, connaissant toutes les contraintes de la traduction juridique dans ces deux langues, nous \u00e9valuerons l\u2019efficacit\u00e9 que pr\u00e9sente DeepL dans la t\u00e2che de production d\u2019une traduction fid\u00e8le.<\/p>\n
La conclusion r\u00e9pondra \u00e0 la question de la pertinence d\u2019utilisation de ce traducteur automatique pour assurer la qualit\u00e9 de traduction n\u00e9cessaire au bon fonctionnement de la justice dans le contexte national et international. Cette analyse pourra servir aux traducteurs et autres utilisateurs de DeepL dans le contexte juridique et, \u00e9galement, aider les concepteurs \u00e0 am\u00e9liorer les performances des syst\u00e8mes de TA.<\/p>\n
Nous nous arr\u00eaterons plus sp\u00e9cifiquement sur la traduction du discours juridictionnel. Dans le contexte judiciaire, la traduction peut intervenir dans tous les types de proc\u00e9dures\u00a0: civile, p\u00e9nale, administrative et sociale. Elle remplit deux fonctions bien distinctes\u00a0: la premi\u00e8re est de servir d\u2019outil de communication pour l\u2019autorit\u00e9 judiciaire et, la seconde, d\u2019\u00eatre une garantie proc\u00e9durale pour le justiciable qui ne comprend pas la langue de la proc\u00e9dure. Dans le premier cas, la traduction participe \u00e0 la coop\u00e9ration judiciaire, en permettant le dialogue entre les autorit\u00e9s judiciaires des \u00c9tats. Elle permet \u00e9galement aux magistrats et autres professionnels d\u2019acc\u00e9der au contenu d\u2019un document r\u00e9dig\u00e9 en langue \u00e9trang\u00e8re. Dans le second cas, la traduction permet au justiciable qui ne comprend pas la langue de la proc\u00e9dure de b\u00e9n\u00e9ficier d\u2019un proc\u00e8s \u00e9quitable (MONJEAN-DECAUDIN 2010).<\/p>\n
Le D\u00e9cret n\u00b0 2013-958 du 25 octobre 2013 confirme l\u2019importance de la traduction pour la jurisprudence fran\u00e7aise. Son objet est de mettre en \u0153uvre le droit \u00e0 l\u2019interpr\u00e9tation et \u00e0 la traduction dans le cadre des proc\u00e9dures p\u00e9nales. La personne suspect\u00e9e ou poursuivie ne comprenant pas la langue fran\u00e7aise a droit, dans une langue qu\u2019elle comprend et jusqu\u2019au terme de la proc\u00e9dure, \u00e0 l\u2019assistance d\u2019un interpr\u00e8te et \u00e0 la traduction des pi\u00e8ces essentielles \u00e0 l\u2019exercice de sa d\u00e9fense pour garantir le caract\u00e8re \u00e9quitable du proc\u00e8s. La traduction \u00e9crite en mati\u00e8re p\u00e9nale est devenue donc une partie int\u00e9grante des proc\u00e9dures judiciaires et un droit \u00e0 part enti\u00e8re (BRANNAN 2016).<\/p>\n
Dans ce contexte, la qualit\u00e9 de la traduction, les enjeux et les effets juridiques qu\u2019elle produit sont tr\u00e8s importants non seulement pour les parties du proc\u00e8s mais \u00e9galement pour la soci\u00e9t\u00e9 tout enti\u00e8re (G\u00c9MAR 2011\u00a0: 9). C\u2019est pourquoi \u00ab\u00a0le droit veille, au nom de la s\u00e9curit\u00e9 juridique, \u00e0 la fid\u00e9lit\u00e9 des traductions destin\u00e9es aux tribunaux, \u00e0 l\u2019administration et aux personnes priv\u00e9es\u00a0: si le texte traduit a, en soi, pour finalit\u00e9 de cr\u00e9er des droits, l\u2019exigence de fid\u00e9lit\u00e9 est particuli\u00e8rement demand\u00e9e\u00a0\u00bb (IRIMIA 2016\u00a0: 332).<\/p>\n
1. Cas d\u00e9crits de l\u2019utilisation de la TA dans le monde juridique<\/h3>\n
La TA \u00e9tant devenue ubiquitaire dans tous les domaines, nous nous sommes int\u00e9ress\u00e9s \u00e0 la question de l\u2019existence des cas d\u00e9crits de l\u2019utilisation de la TA dans le monde juridique et de son acceptation normative.<\/p>\n
Il appara\u00eet que certaines institutions ont \u00e9mis des directives concernant l\u2019utilisation de la TA (VIEIRA et al.<\/em> 2021). Par exemple, au Canada, la Commission de l\u2019immigration et du statut de r\u00e9fugi\u00e9 d\u00e9signe la TA comme type de traduction non conforme. Il y a eu des cas de rejet de documents par un tribunal canadien pour cette m\u00eame raison (X v Re<\/em> 2013). Le tribunal d\u2019\u00c9tat am\u00e9ricain du Nouveau-Mexique a ordonn\u00e9 que les sorties de la TA non corrig\u00e9es ne pouvaient pas \u00eatre utilis\u00e9es pour les documents \u00e0 destination officielle (CH\u00c1VEZ 2008). Un tribunal de district de Californie a indiqu\u00e9 le manque de fiabilit\u00e9 des documents traduits par la TA et pr\u00e9sent\u00e9s comme preuves (Novelty Textile<\/em>, Inc. v. Windsor Fashions<\/em>, Inc. <\/em>2013).<\/p>\nNous pouvons aussi citer des cas flagrants d\u2019utilisation de la traduction automatique par des agents non-inform\u00e9s de risques, comme l\u2019utilisation de la TA par un avocat dans la communication avec le client (Vasquez v. US <\/em>2019) et l\u2019utilisation de la TA par le tribunal lui-m\u00eame (Super Express Usa Publishing Corp. v. Spring Publishing Corp. <\/em>2017).<\/p>\nCette liste n\u2019est pas exhaustive, mais elle nous montre que la question de la traduction du discours juridique par la TA est d\u2019actualit\u00e9 depuis au moins une d\u00e9cennie.<\/p>\n
2. Pourquoi DeepL ?<\/h3>\n
DeepL est l\u2019un des moteurs de TA les plus populaires, avec 254 millions de visites en avril 2023, ce qui est moins que Google Translate qui compte 702 millions de visites, cependant ceux qui ont test\u00e9 DeepL ont tendance \u00e0 le pr\u00e9f\u00e9rer (COLDEWAY, LARDINOIS 2017). Les langues traduites par DeepL sont au nombre de 30, ce qui repr\u00e9sente 800 paires de langues possibles. Et il est \u00e0 noter que 45 % des visiteurs du service proviennent de 5 pays\u00a0: Japon, \u00c9tats-Unis, France, Allemagne et Chine[1]<\/a>.<\/p>\nUne comparaison entre DeepL, \u00e0 base de r\u00e9seau de neurones, et le moteur de traduction automatique statistique incorporant des m\u00e9moires de traducteur, Microsoft Translator Hub, a \u00e9t\u00e9 effectu\u00e9e dans la t\u00e2che de traduction de l\u2019allemand vers le fran\u00e7ais. Les auteurs concluent, vu les r\u00e9sultats des \u00e9valuations automatique et manuelle, que DeepL a donn\u00e9 de meilleurs r\u00e9sultats\u00a0: la sortie produite par DeepL a \u00e9t\u00e9 plus rapide \u00e0 post-\u00e9diter et a n\u00e9cessit\u00e9 moins de corrections. (VOLKART et al.<\/em> 2018).<\/p>\nDeepL a \u00e9galement \u00e9t\u00e9 compar\u00e9 \u00e0 d\u2019autres syst\u00e8mes neuronaux. Google Translate, comme DeepL, est un syst\u00e8me \u00e0 base de r\u00e9seau de neurones, qui utilise aussi des \u00e9l\u00e9ments de l\u2019architecture Transformer, mais en la combinant avec une architecture \u00ab\u00a0r\u00e9seau de neurones r\u00e9currents\u00a0\u00bb (RNN pour recurrent neural network<\/em> en anglais), plus pr\u00e9cis\u00e9ment LSTM (long short-term memory<\/em>). En le comparant avec DeepL dans la t\u00e2che de traduction des expressions multi-mots, c\u2019est ce dernier qui s\u2019est r\u00e9v\u00e9l\u00e9 plus performant (ESPERAN\u00c7A-RODIER, FRANKOWSKI 2021). DeepL a \u00e9t\u00e9 \u00e9valu\u00e9 et d\u00e9sign\u00e9 comme plus performant par rapport \u00e0 Google Translate et Microsoft Translator dans la traduction des m\u00e9tadonn\u00e9es des images ukiyo-e<\/em> dans la traduction du japonais vers l\u2019anglais (SONG et al.<\/em> 2020). Google Translate et DeepL ont \u00e9t\u00e9 \u00e9galement \u00e9valu\u00e9s pour la paire de langues slov\u00e8ne-anglais avec des r\u00e9sultats non concluants\u00a0: Google Translate a \u00e9t\u00e9 meilleur dans l\u2019une des t\u00e2ches et DeepL dans une autre (\u017dAGAR, ROBNIK-\u0160IKONJA 2022).<\/p>\nSur son site, DeepL a une page sp\u00e9ciale destin\u00e9e aux professionnels du droit o\u00f9 il promet \u00ab\u00a0une IA traductionnelle s\u00fbre pour les services juridiques\u00a0\u00bb pour des textes juridiques complexes, comme les contrats. Il se positionne en tant que \u00ab\u00a0traducteur automatique le plus pr\u00e9cis et le plus s\u00fbr au monde\u00a0\u00bb, \u00ab\u00a0un outil de choix pour les avocats, les cabinets juridiques et les organismes gouvernementaux du monde entier\u00a0\u00bb (Une IA traductionnelle s\u00fbre pour les services juridiques<\/em>)[2]<\/a>.<\/p>\nUne \u00e9tude explorant la qualit\u00e9 de la traduction juridique entre l\u2019italien et l\u2019allemand par DeepL a montr\u00e9 que ses r\u00e9sultats \u00e9taient prometteurs (HEISS, SOFFRITTI 2018).<\/p>\n
Les r\u00e9sultats de ces \u00e9tudes, les promesses de DeepL ainsi que la r\u00e9putation de cet outil parmi les utilisateurs francophones et russophones nous ont pouss\u00e9s \u00e0 analyser ses performances.<\/p>\n
3. La technologie qui sous-tend DeepL<\/h3>\n
DeepL est une technologie de traduction automatique d\u00e9velopp\u00e9e par la soci\u00e9t\u00e9 allemande DeepL GmbH \u00e0 Cologne. La traduction est g\u00e9n\u00e9r\u00e9e par un super-ordinateur de 5.1 p\u00e9taflops se trouvant en Islande et aliment\u00e9 par l\u2019\u00e9nergie hydro\u00e9lectrique.<\/p>\n
Il n\u2019y a pas beaucoup d\u2019informations sur les d\u00e9tails techniques de son fonctionnement. L\u2019entreprise ne publie pas d\u2019articles. La seule source officielle est une pr\u00e9sentation sur son site\u00a0: How does DeepL work ?<\/em>[3]<\/a><\/p>\nLe syst\u00e8me DeepL repose sur des r\u00e9seaux neuronaux d\u2019apprentissage profond, et plus pr\u00e9cis\u00e9ment, sur une combinaison des types de r\u00e9seau neuronal appel\u00e9 r\u00e9seau neuronal convolutif (en anglais\u00a0: CNN, convolutional neural network<\/em>) (COLDEWAY, LARDINOIS 2017) et l\u2019architecture Transformer.<\/p>\nLe mod\u00e8le Transformer, comme type d\u2019architecture de r\u00e9seau neuronal, a \u00e9t\u00e9 introduit dans un article de recherche de Google en 2017 (VASWANI et al.<\/em> 2017). Il a \u00e9t\u00e9 con\u00e7u pour surmonter certaines limitations des mod\u00e8les pr\u00e9c\u00e9dents, telles que le probl\u00e8me de d\u00e9pendance \u00e0 long terme qui rendait difficile la traduction de phrases longues de mani\u00e8re pr\u00e9cise.<\/p>\nLa technologie de DeepL int\u00e8gre des m\u00e9canismes d\u2019attention adopt\u00e9s du mod\u00e8le Transformer, qui aident le r\u00e9seau \u00e0 se concentrer sur les parties les plus pertinentes du texte source (How does DeepL work ?<\/em>). Ce mod\u00e8le utilise \u00ab\u00a0l\u2019attention\u00a0\u00e0 plusieurs t\u00eates\u00a0\u00bb (multi-headed self-attention<\/em>) qui s\u2019occupe des liens de chaque mot de la phrase avec les autres et permet au contexte de d\u00e9terminer quel sens du mot choisir. Cela donne au syst\u00e8me la possibilit\u00e9 de d\u00e9sambigu\u00efser les mots \u00e0 partir du contexte. Par exemple, dans la phrase La f\u00e9e a jet\u00e9 un sort avec sa baguette<\/em>, le sens du mot baguette<\/em> est influenc\u00e9 par la f\u00e9e<\/em> et un sort<\/em>.<\/p>\nDe plus, l\u2019entreprise a d\u00e9velopp\u00e9 une m\u00e9thode propri\u00e9taire pour optimiser l\u2019architecture et les hyperparam\u00e8tres du r\u00e9seau neuronal, ce qui, selon elle, contribue \u00e0 am\u00e9liorer encore davantage la qualit\u00e9 des traductions.<\/p>\n
Le r\u00e9seau neuronal DeepL est entra\u00een\u00e9 sur de vastes quantit\u00e9s de textes bilingues, y compris la base de textes parall\u00e8les Linguee, comprenant des documents officiels, des articles de presse et d\u2019autres textes provenant de diverses sources, en utilisant une technique appel\u00e9e apprentissage supervis\u00e9. Pendant l\u2019entra\u00eenement, le r\u00e9seau apprend \u00e0 identifier des motifs et des relations entre les mots et les phrases dans les langues source et cible, et utilise ces motifs pour g\u00e9n\u00e9rer des traductions de haute qualit\u00e9.<\/p>\n
4. \u00c9valuation de la TA<\/h3>\n
Il existe des propositions d\u2019\u00e9valuer la qualit\u00e9 de la TA automatiquement en la comparant avec la traduction humaine \u00e0 l\u2019aide des m\u00e9triques de similitude (PAPINENI et al.<\/em> 2002). N\u00e9anmoins, les \u00e9valuations automatiques rencontrent des probl\u00e8mes connus. Par exemple, elles ne prennent pas en compte la gravit\u00e9 des erreurs et la variabilit\u00e9 de la traduction, contrairement \u00e0 l\u2019\u00e9valuation humaine (CALLISON-BURCH et al.<\/em> 2006). Notre \u00e9tude pr\u00e9sente une \u00e9valuation humaine qualitative.<\/p>\nDes travaux r\u00e9cents abordent l\u2019\u00e9valuation de la TA dans le domaine juridique. Nombre d\u2019auteurs notent que l\u2019utilisation des sorties de TA en l\u2019\u00e9tat est impossible, une phase de post-\u00e9dition est n\u00e9cessaire (BISIANI 2022\u00a0; BRACCHI 2024\u00a0; KHALFALLAH 2021\u00a0; VOLCLAIR 2023) et peut se r\u00e9v\u00e9ler plus compliqu\u00e9e que la traduction manuelle (PLAVINSKAYA 2022). Dans une de ces \u00e9tudes l\u2019auteur relate une conclusion bas\u00e9e sur l\u2019exp\u00e9rience de 12 traducteurs professionnels\u00a0: ils ne croient pas que la TA de DeepL soit d\u2019une utilit\u00e9 quelconque dans la traduction des courriers d\u2019avocats\u00a0(VOLCLAIR 2023). Certaines \u00e9tudes ont soulign\u00e9 les manquements des syst\u00e8mes de TA dans la traduction des termes juridiques (BISIANI 2022\u00a0; BRACCHI 2024). La provenance des donn\u00e9es d\u2019entra\u00eenement d\u2019un syst\u00e8me \u00e0 r\u00e9seau neuronal d\u00e9termine le terme que le syst\u00e8me choisit comme \u00e9quivalent dans la traduction\u00a0: \u00e9tant entra\u00een\u00e9 en majeure partie sur des textes de niveau international, DeepL tend \u00e0 choisir les termes propres \u00e0 ce genre de texte m\u00eame dans le contexte national (BISIANI 2022).<\/p>\n
Nous avons pris comme objet d\u2019analyse le discours juridictionnel afin de tester les performances de DeepL dans la traduction juridique franco-russe. Nous avons fait ce choix parce que ce genre de discours est r\u00e9guli\u00e8rement traduit par les traducteurs experts pr\u00e8s les Cours d\u2019appel et la Cour de cassation.<\/p>\n
5. Le discours juridictionnel<\/h3>\n
Le discours juridique, reconnu comme sp\u00e9cifique par tous les sp\u00e9cialistes, n\u2019est pas homog\u00e8ne. Cornu (2005) souligne l\u2019extre\u0302me diversite\u0301 des discours du droit. Ge\u0301mar (1995\u00a0: 115-116) pre\u0301cise que le terme ge\u0301ne\u0301rique \u00ab\u00a0langage du droit\u00a0\u00bb recouvre plusieurs langages particuliers qui forment une typologie essentielle des divers discours juridiques possibles. Cette diversit\u00e9 appara\u00eet au travers de diff\u00e9rentes terminologies ou classifications de genres de discours juridiques propos\u00e9es (PESHKOV 2012\u00a0: 24-26).<\/p>\n
Pour caract\u00e9riser le discours juridictionnel nous pr\u00e9sentons ci-dessous un tableau qui donne une vision globale du genre de discours \u00e9tudi\u00e9 du point de vue communicatif et fonctionnel. Nous y avons tenu compte des messages juridiques essentiels e\u0301nume\u0301re\u0301s par Cornu (2005\u00a0: 233). Le tableau pr\u00e9cise l\u2019\u00e9metteur du discours (Cour, tribunal), le r\u00e9cepteur (sujets du proc\u00e8s), le but du discours, \u00e0 savoir la r\u00e9alisation et la cr\u00e9ation du droit, l\u2019\u00e9nonc\u00e9 principal qui est l\u2019\u00e9nonc\u00e9 d\u00e9cisoire et les textes o\u00f9 le discours est r\u00e9alis\u00e9\u00a0: d\u00e9cisions, arr\u00eats, ordonnances, jugements etc. Ce tableau est commun aux deux langues \u00e9tudi\u00e9es.<\/p>\n
![\"\"](\"https:\/\/www.dorif.it\/reperes\/wp-content\/uploads\/2025\/03\/peshkov-1.jpg\")
<\/p>\n
Tableau : Discours juridictionnel<\/p>\n
Cornu consacre tout un chapitre de son ouvrage fondamental de jurilinguistique \u00e0 la complexit\u00e9 du discours juridictionnel. Il souligne, entre autres, que\u00a0:<\/p>\n
Dans le discours du juge, viennent aussi n\u00e9cessairement au contact l\u2019un de l\u2019autre, le fait et le droit<\/strong>, le particulier et le g\u00e9n\u00e9ral, le concret et l\u2019abstrait. Le jugement est le lieu de leur rencontre<\/strong> […]. Son caract\u00e8<\/strong>re composite<\/strong> ne met pas seulement \u00e0 rude \u00e9preuve la concision de l\u2019\u00e9nonc\u00e9. La n\u00e9cessit\u00e9 de se justifier en fait et en droit y introduit plusieurs langages, celui du fait, celui de la preuve, celui du droit et celui de la logique <\/strong>(CORNU 2005\u00a0: 334\u00a0; soulign\u00e9 par Cornu).<\/p>\nDans sa d\u00e9cision, le juge affirme sa connaissance du fait et du droit. Les r\u00e9f\u00e9rences au fait et au droit ne sont examin\u00e9es que dans leurs cons\u00e9quences linguistiques. On voit appara\u00eetre dans le texte du jugement \u00ab\u00a0toutes les op\u00e9rations intellectuelles qui sont attendues du juge, dans le processus de sa d\u00e9monstration et qui font, de la partie d\u00e9monstrative du jugement<\/em> un discours extraordinairement diversifi\u00e9<\/strong>\u00a0\u00bb (CORNU 2005\u00a0: 344\u00a0; soulign\u00e9 par Cornu). Les proc\u00e9d\u00e9s r\u00e9f\u00e9rentiels dans le discours juridictionnel ont \u00e9t\u00e9 sp\u00e9cialement \u00e9tudi\u00e9s par Sobieszewska qui caract\u00e9rise ce discours comme un \u00ab type particulier de discours juridique qui s\u2019e\u0301rige traditionnellement en parangon de la clarte\u0301 et de la pre\u0301cision judiciaire \u00bb (SOBIESZEWSKA 2014\u00a0: 2899).<\/p>\nAinsi, la description des faits, des preuves, des avis, chaque d\u00e9tail du jugement, chaque personne mentionn\u00e9e, chaque qualification juridique, c\u2019est-\u00e0-dire chaque composant linguistique de ce discours a, sur le plan lexical, grammatical ou syntaxique, un sens juridique pr\u00e9cis et n\u00e9cessaire pour la compr\u00e9hension du jugement et pour la r\u00e9alisation du droit. En ce sens, l\u2019importance de la qualit\u00e9 de la traduction ne peut pas \u00eatre sous-estim\u00e9e.<\/p>\n
6. Classification des erreurs faites par DeepL<\/h3>\n
Pour appr\u00e9cier la qualit\u00e9 de la traduction du discours juridictionnel par DeepL, nous avons constitu\u00e9 un corpus de d\u00e9cisions de justice fran\u00e7aises dont des jugements correctionnels, ordonnances, arr\u00eats de la Cour d\u2019appel et de la Cour de cassation. Les jugements ont \u00e9t\u00e9 traduits en russe par DeepL Pro. Ensuite, toutes les erreurs ont \u00e9t\u00e9 enregistr\u00e9es, regroup\u00e9es et quantifi\u00e9es.<\/p>\n
L\u2019analyse linguistique a d\u00e9montr\u00e9 que les erreurs relev\u00e9es peuvent \u00eatre regroup\u00e9es entre six grandes cat\u00e9gories. Classification des erreurs faites par DeepL\u00a0:<\/p>\n
I. Lexicales<\/p>\n
\n- I.1 lex\u00e8mes de la langue courante<\/li>\n
- I.2 termes juridiques simples et complexes (syntagmes terminologiques)\n
\n- a) emploi d\u2019un synonyme de la langue courante<\/li>\n
- b) choix d\u2019un mauvais sens d\u2019un lex\u00e8me polys\u00e9mique<\/li>\n
- c) choix d\u2019un mauvais homonyme<\/li>\n
- d) traduction mot \u00e0 mot des termes complexes<\/li>\n
- e) substitution d\u2019un terme par un lex\u00e8me de la langue courante de sens proche<\/li>\n
- f) emploi d\u2019un terme de sens proche<\/li>\n
- g) substitution d\u2019un terme par un hyperonyme<\/li>\n
- h) correspondances difficilement explicables<\/li>\n<\/ul>\n<\/li>\n
- I.3 collocations juridiques<\/li>\n
- I.4 noms propres<\/li>\n<\/ul>\n
II. Grammaticales<\/p>\n
\n- II.1 d\u00e9clinaison<\/li>\n
- II.2 temps<\/li>\n
- II.3 r\u00e9gime verbal<\/li>\n
- II.4 accord en nombre et en genre<\/li>\n
- II.5 pr\u00e9position mal traduite<\/li>\n
- II.6 possessifs<\/li>\n<\/ul>\n
III. Syntaxiques<\/p>\n
IV. Omissions<\/p>\n
V. S\u00e9quences non-traduites<\/p>\n
VI. Ajouts<\/p>\n
Pour illustrer cette classification, nous pr\u00e9senterons quelques exemples d\u2019erreurs dans des tableaux pr\u00e9cisant le texte source, la traduction erron\u00e9e de DeepL, le texte corrig\u00e9 et, l\u00e0 o\u00f9 c\u2019est possible, la traduction invers\u00e9e (back translation<\/em> \u2013 la \u00ab\u00a0r\u00e9tro-traduction \u00bb des sorties de DeepL en russe vers la langue source, le fran\u00e7ais) \u00e0 l\u2019intention des lecteurs ne ma\u00eetrisant pas la langue russe.<\/p>\nI. Erreurs lexicales<\/h4>\n
I.1 Lex\u00e8mes de la langue courante<\/strong><\/p>\n![\"\"](\"https:\/\/www.dorif.it\/reperes\/wp-content\/uploads\/2025\/03\/peshkov-2.jpg\")
<\/p>\n
L\u2019analyse de ces exemples montre que la TA se trompe dans le choix d\u2019\u00e9quivalents de lex\u00e8mes polys\u00e9miques comme, ici, masse<\/em> et pochette. <\/em>Dans les exemples comme alcoolisation<\/em> et montre<\/em> l\u2019\u00e9quivalent choisi par DeepL est un lex\u00e8me de la m\u00eame famille morphologique dans la langue d\u2019arriv\u00e9e, mais avec un sens inappropri\u00e9. Le lex\u00e8me cible peut \u00eatre li\u00e9 par un s\u00e8me au lex\u00e8me source (verre<\/em> dans l\u2019exemple o\u00f9 DeepL a traduit vitrine <\/em>comme fen\u00eatre<\/em>).<\/p>\nLe post-\u00e9diteur de la d\u00e9cision de justice peut soit voir une incoh\u00e9rence ou m\u00eame une absurdit\u00e9 dans le texte cible et les corriger manuellement, soit ne pas les remarquer et \u00eatre induit en erreur.<\/p>\n
I.2. Terme juridique simple ou complexe<\/strong><\/p>\nL\u2019emploi erron\u00e9 d\u2019un terme est apparu comme le type d\u2019erreur pr\u00e9dominant. C\u2019est pourquoi nous nous y arr\u00eaterons de mani\u00e8re plus d\u00e9taill\u00e9e.<\/p>\n
Le terme juridique est \u00e0 la base du discours juridique et de l\u2019activit\u00e9 m\u00eame du droit. Il est ind\u00e9niable que la ma\u00eetrise de la terminologie est l\u2019une des conditions essentielles d\u2019une bonne traduction juridique. Pour \u00eatre fiable, la TA doit \u00eatre capable de rendre fid\u00e8lement la notion juridique dans le texte cible. Ce n\u2019est manifestement pas le cas de DeepL qui pr\u00e9sente des erreurs dites \u00ab\u00a0terminologiques \u00bb plus ou moins graves.<\/p>\n
En se penchant sur les erreurs terminologiques, nous pouvons distinguer les m\u00e9canismes les plus fr\u00e9quents d\u2019apparition de ces erreurs comme suit.<\/p>\n
\n- a) Emploi d\u2019un synonyme de la langue courante<\/li>\n<\/ul>\n
Nous avons constat\u00e9 de nombreux cas dans lesquels la TA remplace le terme juridique dans le texte source par un lex\u00e8me du langage commun dans le texte cible. Ce fait rend le texte cible d\u00e9pourvu de sens juridique et le prive d\u2019une information importante, ce qui est incompatible avec les normes d\u2019une traduction juridique de qualit\u00e9.<\/p>\n
![\"\"](\"https:\/\/www.dorif.it\/reperes\/wp-content\/uploads\/2025\/03\/peshkov-3.jpg\")
<\/p>\n
\n- b) Choix d\u2019un mauvais sens d\u2019un lex\u00e8me polys\u00e9mique<\/li>\n<\/ul>\n
Voici quelques exemples o\u00f9 la TA choisit pour un lex\u00e8me polys\u00e9mique un \u00e9quivalent erron\u00e9 en contexte juridique. Par exemple, au lieu de r\u00e9quisition du minist\u00e8re public<\/em>, DeepL emploie un autre sens du m\u00eame lex\u00e8me \u00e0 savoir \u00ab\u00a0Proc\u00e9d\u00e9 par lequel l\u2019autorit\u00e9 (civile ou militaire) exige la fourniture d\u2019objets mobiliers, la jouissance de biens immobiliers ou la prestation de certains services pour assurer le fonctionnement du service public \u00bb (TLFi<\/em>[4]<\/em><\/a>) au lieu de \u00ab Demande faite en justice ou dans des formes prescrites \u00bb (TLFi<\/em>). Et c\u2019est dans ce sens erron\u00e9 que le terme est traduit en russe pour donner dans le texte cible \u0440\u0435\u043a\u0432\u0438\u0437\u0438\u0446\u0438\u0438<\/em> au lieu de \u0442\u0440\u0435\u0431\u043e\u0432\u0430\u043d\u0438\u044f<\/em> \u043f\u0440\u043e\u043a\u0443\u0440\u043e\u0440\u0430<\/em>.<\/p>\nUn exemple d\u2019erreur qui r\u00e9sulte en absurdit\u00e9 concerne le terme parquet\u00a0<\/em>: DeepL emploie en russe le lex\u00e8me qui signifie assemblage de lames de bois<\/em> au lieu de minist\u00e8re public<\/em>.<\/p>\nLes termes information<\/em> ainsi que faits<\/em> ont \u00e9t\u00e9 traduits en russe dans leurs sens non juridiques.<\/p>\n![\"\"](\"https:\/\/www.dorif.it\/reperes\/wp-content\/uploads\/2025\/03\/peshkov-4.jpg\")
<\/p>\n
\n- c) Choix d\u2019un mauvais homonyme<\/li>\n<\/ul>\n
Nous pr\u00e9sentons ici l\u2019exemple du lex\u00e8me vol<\/em> qui a \u00e9t\u00e9 souvent mal traduit dans l\u2019un des arr\u00eats du corpus. DeepL a choisi le vol<\/em> dans le sens de \u00ab Fait d\u2019\u00eatre transport\u00e9 en l\u2019air d\u2019un point \u00e0 un autre en s\u2019y maintenant en suspension \u00bb au lieu de l\u2019\u00ab Action de s\u2019emparer frauduleusement de ce qui appartient mat\u00e9riellement \u00e0 autrui \u00bb (TLFi<\/em>). Sachant que la d\u00e9cision portait sur le vol <\/em>\u00e0 main arm\u00e9e<\/em>, le terme vol<\/em> a \u00e9t\u00e9 fr\u00e9quemment employ\u00e9 dans l\u2019arr\u00eat.<\/p>\nEn examinant le deuxi\u00e8me exemple ci-dessous, nous supposons que DeepL prend en compte le contexte d\u2019une ou peut-\u00eatre de quelques phrases. Dans ce cas, il ferait mieux d\u2019appliquer l\u2019auto-attention \u00e0 l\u2019\u00e9chelle du document, et le vol<\/em> serait probablement pris dans le sens juridique dans tout le document.<\/p>\n![\"\"](\"https:\/\/www.dorif.it\/reperes\/wp-content\/uploads\/2025\/03\/peshkov-5.jpg\")
<\/p>\n
\n- d) Traduction mot \u00e0 mot des termes complexes<\/li>\n<\/ul>\n
Le terme complexe qui d\u00e9signe un concept juridique doit \u00eatre traduit comme une unit\u00e9. Or, DeepL propose souvent une traduction mot \u00e0 mot des composants du syntagme terminologique sans chercher un \u00e9quivalent du terme dans le syst\u00e8me terminologique de la langue d\u2019arriv\u00e9e.\u00a0 Ce sont des erreurs inadmissibles qui changent les propos du juge. Par exemple, le terme mandat de d\u00e9p\u00f4t<\/em> a \u00e9t\u00e9 traduit mot \u00e0 mot\u00a0: le lex\u00e8me d\u00e9p\u00f4t<\/em> a \u00e9t\u00e9 traduit comme \u0437\u0430\u043b\u043e\u0433<\/em> ce qui a donn\u00e9 en russe \u043e\u0440\u0434\u0435\u0440 \u043d\u0430 \u0437\u0430\u043b\u043e\u0433<\/em> (mandat de gage<\/em>). Le terme mandat de d\u00e9p\u00f4t<\/em>, tr\u00e8s fr\u00e9quent dans le discours juridictionnel, est important pour d\u00e9crire le d\u00e9roulement des proc\u00e9dures p\u00e9nales, il signifie \u00ab\u00a0ordre donn\u00e9 au chef d\u2019un \u00e9tablissement p\u00e9nitentiaire […] de recevoir et d\u00e9tenir, selon le cas, soit une personne mise en examen […], soit un pr\u00e9venu ou un accus\u00e9e \u00bb (GUILLIEN et al.<\/em> 2005\u00a0: 393).<\/p>\nLes autres exemples montrent \u00e9galement que le concept traduit est repr\u00e9sent\u00e9 dans le texte d\u2019arriv\u00e9e par une unit\u00e9 non terminologique, ce qui vide la d\u00e9cision de justice en russe de son sens juridique et entra\u00eene des impr\u00e9cisions, voire des fautes graves de compr\u00e9hension. C\u2019est le cas des termes bandes organis\u00e9e<\/em> et planche photographique<\/em> traduits litt\u00e9ralement. Leurs traductions invers\u00e9es seraient identiques au texte source, c\u2019est pourquoi nous ne les montrons pas.<\/p>\n![\"\"](\"https:\/\/www.dorif.it\/reperes\/wp-content\/uploads\/2025\/03\/peshkov-6.jpg\")
<\/p>\n
Plus loin, les erreurs repr\u00e9sentent des sous-types d\u2019erreurs (de e \u00e0 g) regroup\u00e9es sous l\u2019\u00e9tiquette de \u00abtraductions impr\u00e9cises\u00bb qui incluent des erreurs moins graves pour la compr\u00e9hension. Le sens des termes employ\u00e9s est proche de celui de la langue source, mais les termes dans la langue cible manquent de pr\u00e9cision, ce qui peut avoir des cons\u00e9quences n\u00e9gatives pour la proc\u00e9dure judiciaire. Ainsi, co-mis en examen<\/em> n\u2019a pas le m\u00eame sens juridique que coauteur<\/em> et le terme saisine<\/em> n\u2019est pas \u00e9quivalent \u00e0 renvoi<\/em>. Nous pr\u00e9sentons ci-dessous les diff\u00e9rentes fa\u00e7ons dont cette impr\u00e9cision se manifeste.<\/p>\n\n- e) Substitution d\u2019un terme par un lex\u00e8me de la langue courante de sens proche<\/li>\n<\/ul>\n
![\"\"](\"https:\/\/www.dorif.it\/reperes\/wp-content\/uploads\/2025\/03\/peshkov-7.jpg\")
<\/p>\n
\n- f) Emploi d\u2019un terme de sens proche<\/li>\n<\/ul>\n
![\"\"](\"https:\/\/www.dorif.it\/reperes\/wp-content\/uploads\/2025\/03\/peshkov-8.jpg\")
<\/p>\n
\n- g) substitution d\u2019un terme par un hyperonyme<\/li>\n<\/ul>\n
L\u2019emploi d\u2019un hyperonyme au lieu d\u2019un terme sp\u00e9cifique \u00e9quivalent diminue la qualit\u00e9 et la pr\u00e9cision de la traduction.<\/p>\n
![\"\"](\"https:\/\/www.dorif.it\/reperes\/wp-content\/uploads\/2025\/03\/peshkov-9.jpg\")
<\/p>\n
\n- h) Correspondances difficilement explicables<\/li>\n<\/ul>\n
Certaines substitutions de termes sont tellement improbables qu\u2019elles s\u2019apparentent \u00e0 des \u00ab\u00a0hallucinations[5]<\/a>\u00a0\u00bb. Le syst\u00e8me semble inventer des sens qui n\u2019existent pas dans la source, par exemple, traitement m\u00e9dicamenteux<\/em> est traduit beaucoup plus sp\u00e9cifiquement par traitement contre la d\u00e9pendance aux drogues<\/em>. Le syst\u00e8me peut m\u00eame inventer des mots inexistants dans la langue cible, comme avec la commission rogatoire<\/em>, traduit par \u0440\u043e\u0433\u0430\u0442\u043e\u0440\u0438\u0430\u043b\u044c\u043d\u0430\u044f<\/em> \u043a\u043e\u043c\u0438\u0441\u0441\u0438\u044f<\/em>. Ces erreurs ne sont pas \u00e9videntes \u00e0 rep\u00e9rer sans examen attentif de l\u2019original, mais le sens du texte est consid\u00e9rablement distordu. Pour identifier ces erreurs il faut \u00eatre conscient que le syst\u00e8me est capable d\u2019en faire.<\/p>\n![\"\"](\"https:\/\/www.dorif.it\/reperes\/wp-content\/uploads\/2025\/03\/peshkov-10.jpg\")
<\/p>\n
Nous avons \u00e9galement observ\u00e9 la variation de traduction incorrecte d\u2019un terme. Dans un m\u00eame texte, la TA peut proposer un \u00e9quivalent tant\u00f4t correct, tant\u00f4t incorrect d\u2019un terme ou plusieurs variantes incorrectes uniquement, par exemple :<\/p>\n
![\"\"](\"https:\/\/www.dorif.it\/reperes\/wp-content\/uploads\/2025\/03\/peshkov-11.jpg\")
<\/p>\n
I.3 Collocations juridiques<\/strong><\/p>\nUne collocation sp\u00e9cialis\u00e9e peut \u00eatre d\u00e9finie comme une occurrence lexicale privil\u00e9gi\u00e9e par l\u2019usage d\u2019\u00e9l\u00e9ments linguistiques entretenant une relation syntaxique de subordination ou de coordination dans le discours sp\u00e9cialis\u00e9. Les collocations juridiques ont des traits caract\u00e9ristiques par rapport aux collocations de la langue g\u00e9n\u00e9rale et jouent un r\u00f4le important dans le discours juridique. Elles relient un texte au domaine sp\u00e9cialis\u00e9, remplissant une fonction de coh\u00e9rence du discours, et contribuent \u00e0 la nomination des processus et de faits complexes. \u00c9tant partie int\u00e9grante du syst\u00e8me de la langue, ces unit\u00e9s se d\u00e9finissent par un nombre de particularit\u00e9s usuelles, syntaxiques et s\u00e9mantiques. Le discours du droit abonde de collocations sans lesquelles il est difficile de repr\u00e9senter un texte juridique et, en l\u2019esp\u00e8ce, une d\u00e9cision de justice.<\/p>\n
Nous distinguons trois types de collocations juridiques\u00a0: terminologiques, non terminologiques et de termes (PESHKOV 2013)[6]<\/a>. Dans la traduction r\u00e9alis\u00e9e par DeepL, on trouve un nombre de traductions erron\u00e9es de tous les types de collocations. Voici quelques exemples :<\/p>\n![\"\"](\"https:\/\/www.dorif.it\/reperes\/wp-content\/uploads\/2025\/03\/peshkov-12.jpg\")
<\/p>\n
I.4 Erreurs de traduction des noms propres<\/strong><\/p>\nNous avons constat\u00e9 que les noms propres (noms de personnes, d\u2019entreprises, toponymes) sont souvent transcrits avec des erreurs.<\/p>\n
Avec notre exp\u00e9rience d\u2019enseignement universitaire de la langue juridique et de la traduction juridique fran\u00e7ais-russe, nous pouvons constater que certaines erreurs lexicales sont le fait tant d\u2019apprenants non natifs que de locuteurs natifs qui ne ma\u00eetrisent pas la langue juridique, \u00e0 savoir, qu\u2019ils essayent de traduire mot \u00e0 mot un terme complexe ou une collocation juridique, d\u2019employer un synonyme de la langue courante au lieu d\u2019un terme juridique. En revanche, il est difficile d\u2019imaginer l\u2019emploi par les apprenants d\u2019un homonyme qui ne correspond m\u00eame pas au contexte, comme l\u2019a fait DeepL.<\/p>\n
II: Erreurs grammaticales<\/h4>\n
De nombreuses erreurs grammaticales ont \u00e9t\u00e9 relev\u00e9es dans les traductions r\u00e9alis\u00e9es par DeepL. Plus sp\u00e9cifiquement, il s\u2019agit de fautes de d\u00e9clinaison, de temps, de r\u00e9gime verbal, d\u2019accord en genre et en nombre, de pr\u00e9position mal traduite et de possessifs. Voici quelques exemples\u00a0:<\/p>\n
II.1 D\u00e9clinaison<\/strong><\/p>\n![\"\"](\"https:\/\/www.dorif.it\/reperes\/wp-content\/uploads\/2025\/03\/peshkov-13.jpg\")
\u00a0<\/strong><\/p>\nII.2 Temps<\/strong><\/p>\n![\"\"](\"https:\/\/www.dorif.it\/reperes\/wp-content\/uploads\/2025\/03\/peshkov-14.jpg\")
\u00a0<\/strong><\/p>\nII.3 R\u00e9gime verbal<\/strong><\/p>\n![\"\"](\"https:\/\/www.dorif.it\/reperes\/wp-content\/uploads\/2025\/03\/peshkov-15.jpg\")
\u00a0<\/strong><\/p>\nII.4 Accord en nombre et en genre<\/strong><\/p>\n![\"\"](\"https:\/\/www.dorif.it\/reperes\/wp-content\/uploads\/2025\/03\/peshkov-16.jpg\")
<\/strong><\/p>\nII.5 Pr\u00e9position<\/strong><\/p>\n![\"\"](\"https:\/\/www.dorif.it\/reperes\/wp-content\/uploads\/2025\/03\/peshkov-17.jpg\")
\u00a0<\/strong><\/p>\nII.6 Possessifs<\/strong><\/p>\nOn observe de nombreuses erreurs dans l\u2019emploi des possessifs. Les possessifs \u0441\u0432\u043e\u0439<\/em> et \u0435\u0433\u043e<\/em> sont souvent confondus. \u00c0 noter que \u0441\u0432\u043e\u0439<\/em> s\u2019emploie uniquement lorsque le possesseur est le sujet de la proposition. Si le possesseur n\u2019est pas le sujet de proposition, le possessif comporte une indication de personne. Dans les exemples qui suivent, c\u2019est le possessif \u0435\u0433\u043e<\/em> (troisi\u00e8me personne du masculin singulier) qui doit \u00eatre employ\u00e9 pour pr\u00e9server le sens de la phrase.<\/p>\n![\"\"](\"https:\/\/www.dorif.it\/reperes\/wp-content\/uploads\/2025\/03\/peshkov-18.jpg\")
\u00a0<\/strong><\/p>\nIII. Erreurs de syntaxe<\/h4>\n
Certaines analyses de la TA mentionnent que les erreurs de syntaxe sont courantes dans les sorties de tels syst\u00e8mes (PLAVINSKAYA 2022 : 5). Le discours juridique est connu pour sa syntaxe complexe qui entra\u00eene des erreurs rendant la traduction difficilement compr\u00e9hensible. Ainsi, dans le premier exemple cit\u00e9 de la traduction faite par DeepL, la personne interrog\u00e9e affirme ignorer plut\u00f4t le nom d\u2019Aleksei Z. que le nom de Riivo N. En outre, Kirill B. et Aleksei Z. sont devenus dans le texte d\u2019arriv\u00e9e des organisateurs de voyage. Dans le deuxi\u00e8me exemple, la mention de l\u2019ensemble du territoire national comme le terrain d\u2019exploitation sexuelle des jeunes femmes achemin\u00e9es depuis leur pays d\u2019origine disparait et la phrase devient incompr\u00e9hensible.<\/p>\n
![\"\"](\"https:\/\/www.dorif.it\/reperes\/wp-content\/uploads\/2025\/03\/peshkov-17-bis.jpg\")
<\/p>\n
IV. Omissions<\/h4>\n
Nous avons remarqu\u00e9 que DeepL peut omettre une partie du terme complexe, d\u2019une collocation ou un lex\u00e8me de la langue courante. Une partie d\u2019information reste ainsi manquante dans le texte cible.<\/p>\n
![\"\"](\"https:\/\/www.dorif.it\/reperes\/wp-content\/uploads\/2025\/03\/peshkov-20.jpg\")
<\/p>\n
V. S\u00e9quences non-traduites<\/h4>\n
Noms de personnes, de lieux, d\u2019entreprises laiss\u00e9s en fran\u00e7ais dans le texte d\u2019arriv\u00e9e.<\/p>\n
VI. Ajouts<\/h4>\n
L\u2019ajout repr\u00e9sente un autre type d\u2019erreur difficilement d\u00e9tectable \u00e0 la lecture du texte d\u2019arriv\u00e9e et peut \u00eatre qualifi\u00e9 comme une \u00ab\u00a0hallucination\u00a0\u00bb. Dans la traduction apparaissent des informations compl\u00e8tement absentes dans le texte source[7]<\/a>. Qui peut penser que la TA ajoute de l\u2019information inexistante dans la d\u00e9cision de justice et \u00ab\u00a0embellit \u00bb le texte traduit ? Nous avons, par exemple, remarqu\u00e9 l\u2019emploi r\u00e9current du sigle \u0420\u0424<\/em>, signifiant \u00ab F\u00e9d\u00e9ration de Russie \u00bb, apr\u00e8s quasiment chaque mention des Codes fran\u00e7ais. Il est tout de m\u00eame \u00e9vident pour un lecteur averti que la personne, m\u00eame si elle est de nationalit\u00e9 russe, ne sera pas jug\u00e9e en France selon la l\u00e9gislation de la F\u00e9d\u00e9ration de Russie.<\/p>\n ![\"\"](\"https:\/\/www.dorif.it\/reperes\/wp-content\/uploads\/2025\/03\/peshkov-21.jpg\")
<\/strong><\/p>\nVII. Contresens<\/h4>\n
Tous les types d\u2019erreurs que nous avons examin\u00e9s plus haut peuvent entra\u00eener, comme nous l\u2019avons vu, une distorsion ou omettre une information n\u00e9cessaire dans la d\u00e9cision de justice traduite. Ces erreurs vont jusqu\u2019aux contresens, ce qui est tr\u00e8s dangereux, car elles changent compl\u00e8tement le sens sans \u00eatre apparentes, et ne sont d\u00e9tectables qu\u2019en prenant en consid\u00e9ration le texte source. C\u2019est-\u00e0-dire qu\u2019\u00e0 la simple lecture du texte d\u2019arriv\u00e9e, elles peuvent \u00eatre ignor\u00e9es par le post-\u00e9diteur et, bien \u00e9videmment, par un utilisateur qui croit sans r\u00e9serve aux promesses de DeepL sur la qualit\u00e9 de la traduction juridique. Voici quelques exemples de contresens dans des traductions d\u2019arr\u00eats :<\/p>\n
![\"\"](\"https:\/\/www.dorif.it\/reperes\/wp-content\/uploads\/2025\/03\/peshkov-22.jpg\")
\u00a0<\/strong><\/p>\nVIII. Aper\u00e7u quantitatif<\/h4>\n
La figure 1. pr\u00e9sente les pourcentages par type d\u2019erreur dans notre corpus. Les plus fr\u00e9quentes sont les erreurs terminologiques. Soulignons ici qu\u2019au niveau international et interculturel, la question de l\u2019\u00e9quivalence terminologique, mais aussi de la pr\u00e9cision des termes et des concepts qu\u2019ils d\u00e9signent, est fondamentale.<\/p>\n
![\"\"](\"https:\/\/www.dorif.it\/reperes\/wp-content\/uploads\/2025\/03\/peshkov-23.jpg\")
<\/p>\n
Figure 1. Pourcentages par type d\u2019erreur<\/p>\n
En deuxi\u00e8me place viennent les s\u00e9quences non-traduites qui sont, pour la plupart, des noms propres (entit\u00e9s nomm\u00e9es) donn\u00e9s dans l\u2019alphabet de la langue source. Ensuite nous voyons les erreurs dans les collocations juridiques, toutes les donn\u00e9es sur lesquelles DeepL a \u00e9t\u00e9 entra\u00een\u00e9 ne lui ont pas permis d\u2019apprendre \u00e0 r\u00e9soudre parfaitement cette difficult\u00e9.<\/p>\n
Avant de conclure pour donner un aper\u00e7u du travail de post-\u00e9dition, nous pr\u00e9sentons deux pages type de la traduction d\u2019une ordonnance traduite par DeepL avec les erreurs soulign\u00e9es (voir Annexes 1 et 2).<\/p>\n
Nous constatons que DeepL a r\u00e9ussi de nombreuses phrases. En m\u00eame temps, le nombre d\u2019erreurs \u00e0 identifier et \u00e0 corriger est consid\u00e9rable. Une post-\u00e9dition importante est donc n\u00e9cessaire.<\/p>\n
La post-\u00e9dition (en anglais PEMT, post-editing machine translation<\/em>) est un processus de correction des sorties de la traduction automatique par un humain. Le but de la post-\u00e9dition n\u2019est pas n\u00e9cessairement de produire un \u00e9quivalent parfait du texte, comme il serait traduit par un traducteur humain, mais de rendre un r\u00e9sultat compr\u00e9hensible en langue cible en utilisant le minimum de temps et d\u2019efforts (SHEVCHUK, NIKIFOROVA 2021). Cependant dans certains cas, et c\u2019est le cas de la traduction des d\u00e9cisions de justice, la traduction doit \u00eatre pr\u00e9cise. La qualit\u00e9 humaine est donc exig\u00e9e, ce qui fait que la qualification du post-\u00e9diteur doit \u00eatre de haut niveau. Il peut \u00eatre, par exemple, un expert jurilinguiste qui est inform\u00e9 des types d\u2019erreurs que peut commettre la TA.<\/p>\nConclusion<\/h3>\n
\u00c0 l\u2019heure actuelle, le traducteur automatique ne peut pas assurer la qualit\u00e9 de traduction n\u00e9cessaire au bon fonctionnement de la justice dans le contexte national et international sans intervention humaine. Il peut tout de m\u00eame \u00eatre un outil d\u2019un traducteur sp\u00e9cialis\u00e9 qui pourrait assurer une post-\u00e9dition importante. Le traducteur de texte juridique ne peut pas savoir en avance combien d\u2019erreurs va faire la TA et il est tout \u00e0 fait possible qu\u2019il passe autant de temps \u00e0 post-\u00e9diter la traduction que de traduire, en fonction de la complexit\u00e9 du texte. S\u2019il choisit la post-\u00e9dition, il doit \u00eatre conscient du comportement de la TA, que nous avons discut\u00e9 ici. Il doit porter une attention particuli\u00e8re aux d\u00e9tails et il doit ma\u00eetriser la terminologie du domaine en question.<\/p>\n
Pour les personnes pour lesquelles la TA est la seule mani\u00e8re d\u2019acc\u00e9der au sens du texte, c\u2019est la conscience des risques de la gravit\u00e9 des erreurs et des \u00e9ventuels contresens qui d\u00e9termine l\u2019utilit\u00e9 et la s\u00fbret\u00e9 de son utilisation.<\/p>\n
<\/p>\n
R\u00e9f\u00e9rences bibliographiques<\/h3>\n
BISIANI, Francesca, \u00ab\u00a0Les \u201cminorit\u00e9s\u201d en Italie et en France. L\u2019impact de la traduction automatique sur la d\u00e9termination des concepts juridiques\u00a0\u00bb, Traduire. Revue fran\u00e7aise de la traduction<\/em>, n. 246, 2022, p. 65\u201176.<\/p>\nBRACCHI, Enrica, \u00ab\u00a0Traduction juridique \u00e0 l\u2019aide de DeepL et selon une approche juritraductologique\u00a0: retour sur exp\u00e9rience\u00a0<\/em>\u00bb, Recherche et pratiques p\u00e9dagogiques en langues<\/em>, n. 42 (2), 2023. https:\/\/journals.openedition.org\/apliut\/11086<\/a><\/p>\nBRANNAN, James, \u00ab\u00a0L\u2019article 3 de la directive 2010\/64\/UE\u202f: la traduction \u00e9crite en mati\u00e8re p\u00e9nale devient un droit \u00e0 part enti\u00e8re\u00a0\u00bb, \u00c9la. <\/em>\u00c9tudes de linguistique appliqu\u00e9e<\/em>, n.\u00a0183 (3), 2016, p. 281\u2011295.<\/p>\nCALLISON-BURCH, Chris et al<\/em>., \u00ab\u00a0Re-evaluating the role of BLEU in machine translation research\u00a0\u00bb, 11th conference of the european chapter of the association for computational linguistics<\/em>, 2006, p. 249\u2011256. https:\/\/aclanthology.org\/E06-1032.pdf<\/a><\/p>\nCH\u00c1VEZ, Edward L., \u00ab\u00a0New Mexico\u2019s success with non-English speaking jurors\u00a0\u00bb, Journal of Court Innovation<\/em>, n. 1, 2008, p. 303\u2011328.<\/p>\nCOLDEWAY, Devin, LARDINOIS, Frederic, \u00ab\u00a0DeepL Schools Other Online Translators with Clever Machine Learning\u00a0\u00bb, TechCrunch.com<\/em>, 2017. https:\/\/techcrunch.com\/2017\/08\/29\/deepl-schools-other-online-translators-with-clever-machine-learning\/<\/a><\/p>\nCORNU, G\u00e9rard, Linguistique juridique<\/em>, 3e \u00e9d, Paris, Montchrestien, 2005.<\/p>\nESPERAN\u00c7A-RODIER, Emmanuelle, FRANKOWSKI, Damian, \u00ab\u00a0DeepL vs Google Translate\u00a0: Who\u2019s the Best at Translating MWEs from French into Polish\u00a0? A Multidisciplinary Approach to Corpora Creation and Quality Translation of MWEs\u00a0\u00bb, Translating and the Computer<\/em>, n. 43, 2021. https:\/\/hal.science\/hal-03779450<\/a><\/p>\nG\u00c9MAR, Jean-Claude, \u00ab\u00a0Aux sources de la \u201cjurilinguistique\u201d\u00a0: texte juridique, langues et cultures\u00a0\u00bb, Revue fran\u00e7aise de linguistique appliqu\u00e9e, <\/em>n. 16 (1), 2011, p. 9\u201116.<\/p>\nG\u00c9MAR, Jean-Claude, Traduire ou l\u2019art d\u2019interpr\u00e9ter 2. Langue, droit et soci\u00e9t\u00e9\u00a0: \u00e9l\u00e9ments de jurilinguistique. Application<\/em>, Qu\u00e9bec, Presses de l\u2019Universit\u00e9 de Qu\u00e9bec, 1995.<\/p>\nGUILLIEN, Raymond, VINCENT, Jean, Lexique des termes juridiques<\/em>, Paris, Dalloz, 2005.<\/p>\nHEISS, Christine, SOFFRITTI, Marcello, \u00ab\u00a0DeepL Traduttore e didattica della traduzione dall\u2019italiano in tedesco. Alcune valutazioni preliminari\u00a0\u00bb, InTRAlinea. Special Issu<\/em>e\u00a0: Translation and Interpreting for Language Learners (TAIL)<\/em>, n. 20, 2018. http:\/\/www.intralinea.org\/specials\/article\/2294<\/a><\/p>\nIrimia, Dorina, \u00ab\u00a0Pour une nouvelle branche de droit\u202f? La traduction juridique, du droit au langage\u00a0\u00bb, \u00c9la. \u00c9tudes de linguistique appliqu\u00e9e<\/em>, n. 183 (3), 2016, p. 329\u2011341.<\/p>\nKHALFALLAH, Nejmeddine, \u00ab\u00a0La traduction juridique et les syst\u00e8mes de traduction automatique\u00a0\u00bb, EKB Journal Management<\/em>, n. 106 (71), 2021, p. 1\u201114.<\/p>\nLEE, Katherine et al.<\/em>, \u00ab\u00a0Hallucinations in neural machine translation\u00a0\u00bb, 2018, https:\/\/scholar.google.com\/scholar?cluster=13047383023392116047&hl=fr&as_sdt=0,5<\/a> <\/u><\/p>\nMONJEAN-DECAUDIN, Sylvie, La traduction du droit dans la proc\u00e9dure judiciaire : contribution \u00e0 l\u2019\u00e9tude de la linguistique juridique<\/em>, Th\u00e8se de doctorat, Paris 10, 2010. https:\/\/www.theses.fr\/2010PA100102<\/a><\/p>\nNovelty Textile, Inc. v. Windsor Fashions, Inc.<\/em> Case No. CV 12-05602 DDP (MANx), 20 mars 2013.<\/p>\nPAPINENI, Kishore et al.<\/em>, \u00ab\u00a0Bleu\u00a0: a method for automatic evaluation of machine translation\u00a0\u00bb, Proceedings of the 40th annual meeting of the Association for Computational Linguistics<\/em>, 2002, p. 311\u2011318. https:\/\/aclanthology.org\/P02-1040.pdf<\/a><\/p>\n
Kira Peshkov Klim Peshkov La traduction automatique devient de plus en plus performante ce qui, en principe, est cens\u00e9 \u00e9conomiser le temps et les ressources du traducteur. Une traduction automatique du discours juridique ne n\u00e9cessitant pas de phase de post-\u00e9dition importante est-elle d\u00e9j\u00e0 possible\u00a0? Le pr\u00e9sent article explore la possibilit\u00e9 d\u2019utilisation de DeepL, l\u2019un des meilleurs outils de traduction automatique, pour l\u2019aide \u00e0 la traduction du discours juridique. L\u2019analyse linguistique de la traduction du discours juridictionnel montrera les diff\u00e9rents types d\u2019erreur de DeepL et leur fr\u00e9quence. Dans la conclusion de l\u2019article nous mettrons en garde les traducteurs et ceux qui utilisent la traduction automatique dans un contexte juridique.<\/p>\n Machine translation is becoming more and more effective, and one could hypothesize that it should bring about the economy of translator\u2019s time and effort. Is machine translation of legal discourse which does not require substantial post-editing efforts already possible? The paper explores the possibility of usage of one of the best machine translation tools DeepL in the task of assisting in legal discourse translation. Linguistic analysis of judicial discourse translation will show different types of errors of DeepL and their frequency. The paper\u2019s conclusion warns translators and those who use machine translation in a legal context.<\/p>\n La traduction automatique (par la suite\u00a0: TA) devient de plus en plus performante, ce qui est cens\u00e9 \u00e9conomiser le temps et les ressources du traducteur, d\u2019autant plus que les traductions juridiques sont souvent demand\u00e9es en urgence, les d\u00e9lais de traduction \u00e9tant soumis \u00e0 la proc\u00e9dure l\u00e9gale. Dans ces conditions, le recours \u00e0 la traduction automatique permet de gagner du temps. Mais avec quel r\u00e9sultat dans la langue-cible ?<\/p>\n La traduction du discours juridique pose des probl\u00e8mes tant aux niveaux terminologique et notionnel qu\u2019au niveau culturel. Le pr\u00e9sent article interroge la possibilit\u00e9 d\u2019utiliser l\u2019un des meilleurs outils de TA, DeepL, bas\u00e9 sur les r\u00e9seaux neuronaux, pour aider \u00e0 la traduction du discours juridique, et la n\u00e9cessit\u00e9 d\u2019une phase de post-\u00e9dition (r\u00e9vision par un traducteur humain).<\/p>\n L\u2019analyse linguistique montrera les diff\u00e9rents types d\u2019erreurs les plus fr\u00e9quentes de DeepL dans la traduction franco-russe du discours juridique. Ainsi, connaissant toutes les contraintes de la traduction juridique dans ces deux langues, nous \u00e9valuerons l\u2019efficacit\u00e9 que pr\u00e9sente DeepL dans la t\u00e2che de production d\u2019une traduction fid\u00e8le.<\/p>\n La conclusion r\u00e9pondra \u00e0 la question de la pertinence d\u2019utilisation de ce traducteur automatique pour assurer la qualit\u00e9 de traduction n\u00e9cessaire au bon fonctionnement de la justice dans le contexte national et international. Cette analyse pourra servir aux traducteurs et autres utilisateurs de DeepL dans le contexte juridique et, \u00e9galement, aider les concepteurs \u00e0 am\u00e9liorer les performances des syst\u00e8mes de TA.<\/p>\n Nous nous arr\u00eaterons plus sp\u00e9cifiquement sur la traduction du discours juridictionnel. Dans le contexte judiciaire, la traduction peut intervenir dans tous les types de proc\u00e9dures\u00a0: civile, p\u00e9nale, administrative et sociale. Elle remplit deux fonctions bien distinctes\u00a0: la premi\u00e8re est de servir d\u2019outil de communication pour l\u2019autorit\u00e9 judiciaire et, la seconde, d\u2019\u00eatre une garantie proc\u00e9durale pour le justiciable qui ne comprend pas la langue de la proc\u00e9dure. Dans le premier cas, la traduction participe \u00e0 la coop\u00e9ration judiciaire, en permettant le dialogue entre les autorit\u00e9s judiciaires des \u00c9tats. Elle permet \u00e9galement aux magistrats et autres professionnels d\u2019acc\u00e9der au contenu d\u2019un document r\u00e9dig\u00e9 en langue \u00e9trang\u00e8re. Dans le second cas, la traduction permet au justiciable qui ne comprend pas la langue de la proc\u00e9dure de b\u00e9n\u00e9ficier d\u2019un proc\u00e8s \u00e9quitable (MONJEAN-DECAUDIN 2010).<\/p>\n Le D\u00e9cret n\u00b0 2013-958 du 25 octobre 2013 confirme l\u2019importance de la traduction pour la jurisprudence fran\u00e7aise. Son objet est de mettre en \u0153uvre le droit \u00e0 l\u2019interpr\u00e9tation et \u00e0 la traduction dans le cadre des proc\u00e9dures p\u00e9nales. La personne suspect\u00e9e ou poursuivie ne comprenant pas la langue fran\u00e7aise a droit, dans une langue qu\u2019elle comprend et jusqu\u2019au terme de la proc\u00e9dure, \u00e0 l\u2019assistance d\u2019un interpr\u00e8te et \u00e0 la traduction des pi\u00e8ces essentielles \u00e0 l\u2019exercice de sa d\u00e9fense pour garantir le caract\u00e8re \u00e9quitable du proc\u00e8s. La traduction \u00e9crite en mati\u00e8re p\u00e9nale est devenue donc une partie int\u00e9grante des proc\u00e9dures judiciaires et un droit \u00e0 part enti\u00e8re (BRANNAN 2016).<\/p>\n Dans ce contexte, la qualit\u00e9 de la traduction, les enjeux et les effets juridiques qu\u2019elle produit sont tr\u00e8s importants non seulement pour les parties du proc\u00e8s mais \u00e9galement pour la soci\u00e9t\u00e9 tout enti\u00e8re (G\u00c9MAR 2011\u00a0: 9). C\u2019est pourquoi \u00ab\u00a0le droit veille, au nom de la s\u00e9curit\u00e9 juridique, \u00e0 la fid\u00e9lit\u00e9 des traductions destin\u00e9es aux tribunaux, \u00e0 l\u2019administration et aux personnes priv\u00e9es\u00a0: si le texte traduit a, en soi, pour finalit\u00e9 de cr\u00e9er des droits, l\u2019exigence de fid\u00e9lit\u00e9 est particuli\u00e8rement demand\u00e9e\u00a0\u00bb (IRIMIA 2016\u00a0: 332).<\/p>\n La TA \u00e9tant devenue ubiquitaire dans tous les domaines, nous nous sommes int\u00e9ress\u00e9s \u00e0 la question de l\u2019existence des cas d\u00e9crits de l\u2019utilisation de la TA dans le monde juridique et de son acceptation normative.<\/p>\n Il appara\u00eet que certaines institutions ont \u00e9mis des directives concernant l\u2019utilisation de la TA (VIEIRA et al.<\/em> 2021). Par exemple, au Canada, la Commission de l\u2019immigration et du statut de r\u00e9fugi\u00e9 d\u00e9signe la TA comme type de traduction non conforme. Il y a eu des cas de rejet de documents par un tribunal canadien pour cette m\u00eame raison (X v Re<\/em> 2013). Le tribunal d\u2019\u00c9tat am\u00e9ricain du Nouveau-Mexique a ordonn\u00e9 que les sorties de la TA non corrig\u00e9es ne pouvaient pas \u00eatre utilis\u00e9es pour les documents \u00e0 destination officielle (CH\u00c1VEZ 2008). Un tribunal de district de Californie a indiqu\u00e9 le manque de fiabilit\u00e9 des documents traduits par la TA et pr\u00e9sent\u00e9s comme preuves (Novelty Textile<\/em>, Inc. v. Windsor Fashions<\/em>, Inc. <\/em>2013).<\/p>\n Nous pouvons aussi citer des cas flagrants d\u2019utilisation de la traduction automatique par des agents non-inform\u00e9s de risques, comme l\u2019utilisation de la TA par un avocat dans la communication avec le client (Vasquez v. US <\/em>2019) et l\u2019utilisation de la TA par le tribunal lui-m\u00eame (Super Express Usa Publishing Corp. v. Spring Publishing Corp. <\/em>2017).<\/p>\n Cette liste n\u2019est pas exhaustive, mais elle nous montre que la question de la traduction du discours juridique par la TA est d\u2019actualit\u00e9 depuis au moins une d\u00e9cennie.<\/p>\n DeepL est l\u2019un des moteurs de TA les plus populaires, avec 254 millions de visites en avril 2023, ce qui est moins que Google Translate qui compte 702 millions de visites, cependant ceux qui ont test\u00e9 DeepL ont tendance \u00e0 le pr\u00e9f\u00e9rer (COLDEWAY, LARDINOIS 2017). Les langues traduites par DeepL sont au nombre de 30, ce qui repr\u00e9sente 800 paires de langues possibles. Et il est \u00e0 noter que 45 % des visiteurs du service proviennent de 5 pays\u00a0: Japon, \u00c9tats-Unis, France, Allemagne et Chine[1]<\/a>.<\/p>\n Une comparaison entre DeepL, \u00e0 base de r\u00e9seau de neurones, et le moteur de traduction automatique statistique incorporant des m\u00e9moires de traducteur, Microsoft Translator Hub, a \u00e9t\u00e9 effectu\u00e9e dans la t\u00e2che de traduction de l\u2019allemand vers le fran\u00e7ais. Les auteurs concluent, vu les r\u00e9sultats des \u00e9valuations automatique et manuelle, que DeepL a donn\u00e9 de meilleurs r\u00e9sultats\u00a0: la sortie produite par DeepL a \u00e9t\u00e9 plus rapide \u00e0 post-\u00e9diter et a n\u00e9cessit\u00e9 moins de corrections. (VOLKART et al.<\/em> 2018).<\/p>\n DeepL a \u00e9galement \u00e9t\u00e9 compar\u00e9 \u00e0 d\u2019autres syst\u00e8mes neuronaux. Google Translate, comme DeepL, est un syst\u00e8me \u00e0 base de r\u00e9seau de neurones, qui utilise aussi des \u00e9l\u00e9ments de l\u2019architecture Transformer, mais en la combinant avec une architecture \u00ab\u00a0r\u00e9seau de neurones r\u00e9currents\u00a0\u00bb (RNN pour recurrent neural network<\/em> en anglais), plus pr\u00e9cis\u00e9ment LSTM (long short-term memory<\/em>). En le comparant avec DeepL dans la t\u00e2che de traduction des expressions multi-mots, c\u2019est ce dernier qui s\u2019est r\u00e9v\u00e9l\u00e9 plus performant (ESPERAN\u00c7A-RODIER, FRANKOWSKI 2021). DeepL a \u00e9t\u00e9 \u00e9valu\u00e9 et d\u00e9sign\u00e9 comme plus performant par rapport \u00e0 Google Translate et Microsoft Translator dans la traduction des m\u00e9tadonn\u00e9es des images ukiyo-e<\/em> dans la traduction du japonais vers l\u2019anglais (SONG et al.<\/em> 2020). Google Translate et DeepL ont \u00e9t\u00e9 \u00e9galement \u00e9valu\u00e9s pour la paire de langues slov\u00e8ne-anglais avec des r\u00e9sultats non concluants\u00a0: Google Translate a \u00e9t\u00e9 meilleur dans l\u2019une des t\u00e2ches et DeepL dans une autre (\u017dAGAR, ROBNIK-\u0160IKONJA 2022).<\/p>\n Sur son site, DeepL a une page sp\u00e9ciale destin\u00e9e aux professionnels du droit o\u00f9 il promet \u00ab\u00a0une IA traductionnelle s\u00fbre pour les services juridiques\u00a0\u00bb pour des textes juridiques complexes, comme les contrats. Il se positionne en tant que \u00ab\u00a0traducteur automatique le plus pr\u00e9cis et le plus s\u00fbr au monde\u00a0\u00bb, \u00ab\u00a0un outil de choix pour les avocats, les cabinets juridiques et les organismes gouvernementaux du monde entier\u00a0\u00bb (Une IA traductionnelle s\u00fbre pour les services juridiques<\/em>)[2]<\/a>.<\/p>\n Une \u00e9tude explorant la qualit\u00e9 de la traduction juridique entre l\u2019italien et l\u2019allemand par DeepL a montr\u00e9 que ses r\u00e9sultats \u00e9taient prometteurs (HEISS, SOFFRITTI 2018).<\/p>\n Les r\u00e9sultats de ces \u00e9tudes, les promesses de DeepL ainsi que la r\u00e9putation de cet outil parmi les utilisateurs francophones et russophones nous ont pouss\u00e9s \u00e0 analyser ses performances.<\/p>\n DeepL est une technologie de traduction automatique d\u00e9velopp\u00e9e par la soci\u00e9t\u00e9 allemande DeepL GmbH \u00e0 Cologne. La traduction est g\u00e9n\u00e9r\u00e9e par un super-ordinateur de 5.1 p\u00e9taflops se trouvant en Islande et aliment\u00e9 par l\u2019\u00e9nergie hydro\u00e9lectrique.<\/p>\n Il n\u2019y a pas beaucoup d\u2019informations sur les d\u00e9tails techniques de son fonctionnement. L\u2019entreprise ne publie pas d\u2019articles. La seule source officielle est une pr\u00e9sentation sur son site\u00a0: How does DeepL work ?<\/em>[3]<\/a><\/p>\n Le syst\u00e8me DeepL repose sur des r\u00e9seaux neuronaux d\u2019apprentissage profond, et plus pr\u00e9cis\u00e9ment, sur une combinaison des types de r\u00e9seau neuronal appel\u00e9 r\u00e9seau neuronal convolutif (en anglais\u00a0: CNN, convolutional neural network<\/em>) (COLDEWAY, LARDINOIS 2017) et l\u2019architecture Transformer.<\/p>\n Le mod\u00e8le Transformer, comme type d\u2019architecture de r\u00e9seau neuronal, a \u00e9t\u00e9 introduit dans un article de recherche de Google en 2017 (VASWANI et al.<\/em> 2017). Il a \u00e9t\u00e9 con\u00e7u pour surmonter certaines limitations des mod\u00e8les pr\u00e9c\u00e9dents, telles que le probl\u00e8me de d\u00e9pendance \u00e0 long terme qui rendait difficile la traduction de phrases longues de mani\u00e8re pr\u00e9cise.<\/p>\n La technologie de DeepL int\u00e8gre des m\u00e9canismes d\u2019attention adopt\u00e9s du mod\u00e8le Transformer, qui aident le r\u00e9seau \u00e0 se concentrer sur les parties les plus pertinentes du texte source (How does DeepL work ?<\/em>). Ce mod\u00e8le utilise \u00ab\u00a0l\u2019attention\u00a0\u00e0 plusieurs t\u00eates\u00a0\u00bb (multi-headed self-attention<\/em>) qui s\u2019occupe des liens de chaque mot de la phrase avec les autres et permet au contexte de d\u00e9terminer quel sens du mot choisir. Cela donne au syst\u00e8me la possibilit\u00e9 de d\u00e9sambigu\u00efser les mots \u00e0 partir du contexte. Par exemple, dans la phrase La f\u00e9e a jet\u00e9 un sort avec sa baguette<\/em>, le sens du mot baguette<\/em> est influenc\u00e9 par la f\u00e9e<\/em> et un sort<\/em>.<\/p>\n De plus, l\u2019entreprise a d\u00e9velopp\u00e9 une m\u00e9thode propri\u00e9taire pour optimiser l\u2019architecture et les hyperparam\u00e8tres du r\u00e9seau neuronal, ce qui, selon elle, contribue \u00e0 am\u00e9liorer encore davantage la qualit\u00e9 des traductions.<\/p>\n Le r\u00e9seau neuronal DeepL est entra\u00een\u00e9 sur de vastes quantit\u00e9s de textes bilingues, y compris la base de textes parall\u00e8les Linguee, comprenant des documents officiels, des articles de presse et d\u2019autres textes provenant de diverses sources, en utilisant une technique appel\u00e9e apprentissage supervis\u00e9. Pendant l\u2019entra\u00eenement, le r\u00e9seau apprend \u00e0 identifier des motifs et des relations entre les mots et les phrases dans les langues source et cible, et utilise ces motifs pour g\u00e9n\u00e9rer des traductions de haute qualit\u00e9.<\/p>\n Il existe des propositions d\u2019\u00e9valuer la qualit\u00e9 de la TA automatiquement en la comparant avec la traduction humaine \u00e0 l\u2019aide des m\u00e9triques de similitude (PAPINENI et al.<\/em> 2002). N\u00e9anmoins, les \u00e9valuations automatiques rencontrent des probl\u00e8mes connus. Par exemple, elles ne prennent pas en compte la gravit\u00e9 des erreurs et la variabilit\u00e9 de la traduction, contrairement \u00e0 l\u2019\u00e9valuation humaine (CALLISON-BURCH et al.<\/em> 2006). Notre \u00e9tude pr\u00e9sente une \u00e9valuation humaine qualitative.<\/p>\n Des travaux r\u00e9cents abordent l\u2019\u00e9valuation de la TA dans le domaine juridique. Nombre d\u2019auteurs notent que l\u2019utilisation des sorties de TA en l\u2019\u00e9tat est impossible, une phase de post-\u00e9dition est n\u00e9cessaire (BISIANI 2022\u00a0; BRACCHI 2024\u00a0; KHALFALLAH 2021\u00a0; VOLCLAIR 2023) et peut se r\u00e9v\u00e9ler plus compliqu\u00e9e que la traduction manuelle (PLAVINSKAYA 2022). Dans une de ces \u00e9tudes l\u2019auteur relate une conclusion bas\u00e9e sur l\u2019exp\u00e9rience de 12 traducteurs professionnels\u00a0: ils ne croient pas que la TA de DeepL soit d\u2019une utilit\u00e9 quelconque dans la traduction des courriers d\u2019avocats\u00a0(VOLCLAIR 2023). Certaines \u00e9tudes ont soulign\u00e9 les manquements des syst\u00e8mes de TA dans la traduction des termes juridiques (BISIANI 2022\u00a0; BRACCHI 2024). La provenance des donn\u00e9es d\u2019entra\u00eenement d\u2019un syst\u00e8me \u00e0 r\u00e9seau neuronal d\u00e9termine le terme que le syst\u00e8me choisit comme \u00e9quivalent dans la traduction\u00a0: \u00e9tant entra\u00een\u00e9 en majeure partie sur des textes de niveau international, DeepL tend \u00e0 choisir les termes propres \u00e0 ce genre de texte m\u00eame dans le contexte national (BISIANI 2022).<\/p>\n Nous avons pris comme objet d\u2019analyse le discours juridictionnel afin de tester les performances de DeepL dans la traduction juridique franco-russe. Nous avons fait ce choix parce que ce genre de discours est r\u00e9guli\u00e8rement traduit par les traducteurs experts pr\u00e8s les Cours d\u2019appel et la Cour de cassation.<\/p>\n Le discours juridique, reconnu comme sp\u00e9cifique par tous les sp\u00e9cialistes, n\u2019est pas homog\u00e8ne. Cornu (2005) souligne l\u2019extre\u0302me diversite\u0301 des discours du droit. Ge\u0301mar (1995\u00a0: 115-116) pre\u0301cise que le terme ge\u0301ne\u0301rique \u00ab\u00a0langage du droit\u00a0\u00bb recouvre plusieurs langages particuliers qui forment une typologie essentielle des divers discours juridiques possibles. Cette diversit\u00e9 appara\u00eet au travers de diff\u00e9rentes terminologies ou classifications de genres de discours juridiques propos\u00e9es (PESHKOV 2012\u00a0: 24-26).<\/p>\n Pour caract\u00e9riser le discours juridictionnel nous pr\u00e9sentons ci-dessous un tableau qui donne une vision globale du genre de discours \u00e9tudi\u00e9 du point de vue communicatif et fonctionnel. Nous y avons tenu compte des messages juridiques essentiels e\u0301nume\u0301re\u0301s par Cornu (2005\u00a0: 233). Le tableau pr\u00e9cise l\u2019\u00e9metteur du discours (Cour, tribunal), le r\u00e9cepteur (sujets du proc\u00e8s), le but du discours, \u00e0 savoir la r\u00e9alisation et la cr\u00e9ation du droit, l\u2019\u00e9nonc\u00e9 principal qui est l\u2019\u00e9nonc\u00e9 d\u00e9cisoire et les textes o\u00f9 le discours est r\u00e9alis\u00e9\u00a0: d\u00e9cisions, arr\u00eats, ordonnances, jugements etc. Ce tableau est commun aux deux langues \u00e9tudi\u00e9es.<\/p>\n Tableau : Discours juridictionnel<\/p>\n Cornu consacre tout un chapitre de son ouvrage fondamental de jurilinguistique \u00e0 la complexit\u00e9 du discours juridictionnel. Il souligne, entre autres, que\u00a0:<\/p>\n Dans le discours du juge, viennent aussi n\u00e9cessairement au contact l\u2019un de l\u2019autre, le fait et le droit<\/strong>, le particulier et le g\u00e9n\u00e9ral, le concret et l\u2019abstrait. Le jugement est le lieu de leur rencontre<\/strong> […]. Son caract\u00e8<\/strong>re composite<\/strong> ne met pas seulement \u00e0 rude \u00e9preuve la concision de l\u2019\u00e9nonc\u00e9. La n\u00e9cessit\u00e9 de se justifier en fait et en droit y introduit plusieurs langages, celui du fait, celui de la preuve, celui du droit et celui de la logique <\/strong>(CORNU 2005\u00a0: 334\u00a0; soulign\u00e9 par Cornu).<\/p>\n Dans sa d\u00e9cision, le juge affirme sa connaissance du fait et du droit. Les r\u00e9f\u00e9rences au fait et au droit ne sont examin\u00e9es que dans leurs cons\u00e9quences linguistiques. On voit appara\u00eetre dans le texte du jugement \u00ab\u00a0toutes les op\u00e9rations intellectuelles qui sont attendues du juge, dans le processus de sa d\u00e9monstration et qui font, de la partie d\u00e9monstrative du jugement<\/em> un discours extraordinairement diversifi\u00e9<\/strong>\u00a0\u00bb (CORNU 2005\u00a0: 344\u00a0; soulign\u00e9 par Cornu). Les proc\u00e9d\u00e9s r\u00e9f\u00e9rentiels dans le discours juridictionnel ont \u00e9t\u00e9 sp\u00e9cialement \u00e9tudi\u00e9s par Sobieszewska qui caract\u00e9rise ce discours comme un \u00ab type particulier de discours juridique qui s\u2019e\u0301rige traditionnellement en parangon de la clarte\u0301 et de la pre\u0301cision judiciaire \u00bb (SOBIESZEWSKA 2014\u00a0: 2899).<\/p>\n Ainsi, la description des faits, des preuves, des avis, chaque d\u00e9tail du jugement, chaque personne mentionn\u00e9e, chaque qualification juridique, c\u2019est-\u00e0-dire chaque composant linguistique de ce discours a, sur le plan lexical, grammatical ou syntaxique, un sens juridique pr\u00e9cis et n\u00e9cessaire pour la compr\u00e9hension du jugement et pour la r\u00e9alisation du droit. En ce sens, l\u2019importance de la qualit\u00e9 de la traduction ne peut pas \u00eatre sous-estim\u00e9e.<\/p>\n Pour appr\u00e9cier la qualit\u00e9 de la traduction du discours juridictionnel par DeepL, nous avons constitu\u00e9 un corpus de d\u00e9cisions de justice fran\u00e7aises dont des jugements correctionnels, ordonnances, arr\u00eats de la Cour d\u2019appel et de la Cour de cassation. Les jugements ont \u00e9t\u00e9 traduits en russe par DeepL Pro. Ensuite, toutes les erreurs ont \u00e9t\u00e9 enregistr\u00e9es, regroup\u00e9es et quantifi\u00e9es.<\/p>\n L\u2019analyse linguistique a d\u00e9montr\u00e9 que les erreurs relev\u00e9es peuvent \u00eatre regroup\u00e9es entre six grandes cat\u00e9gories. Classification des erreurs faites par DeepL\u00a0:<\/p>\n I. Lexicales<\/p>\n II. Grammaticales<\/p>\n III. Syntaxiques<\/p>\n IV. Omissions<\/p>\n V. S\u00e9quences non-traduites<\/p>\n VI. Ajouts<\/p>\n Pour illustrer cette classification, nous pr\u00e9senterons quelques exemples d\u2019erreurs dans des tableaux pr\u00e9cisant le texte source, la traduction erron\u00e9e de DeepL, le texte corrig\u00e9 et, l\u00e0 o\u00f9 c\u2019est possible, la traduction invers\u00e9e (back translation<\/em> \u2013 la \u00ab\u00a0r\u00e9tro-traduction \u00bb des sorties de DeepL en russe vers la langue source, le fran\u00e7ais) \u00e0 l\u2019intention des lecteurs ne ma\u00eetrisant pas la langue russe.<\/p>\n I.1 Lex\u00e8mes de la langue courante<\/strong><\/p>\n L\u2019analyse de ces exemples montre que la TA se trompe dans le choix d\u2019\u00e9quivalents de lex\u00e8mes polys\u00e9miques comme, ici, masse<\/em> et pochette. <\/em>Dans les exemples comme alcoolisation<\/em> et montre<\/em> l\u2019\u00e9quivalent choisi par DeepL est un lex\u00e8me de la m\u00eame famille morphologique dans la langue d\u2019arriv\u00e9e, mais avec un sens inappropri\u00e9. Le lex\u00e8me cible peut \u00eatre li\u00e9 par un s\u00e8me au lex\u00e8me source (verre<\/em> dans l\u2019exemple o\u00f9 DeepL a traduit vitrine <\/em>comme fen\u00eatre<\/em>).<\/p>\n Le post-\u00e9diteur de la d\u00e9cision de justice peut soit voir une incoh\u00e9rence ou m\u00eame une absurdit\u00e9 dans le texte cible et les corriger manuellement, soit ne pas les remarquer et \u00eatre induit en erreur.<\/p>\n I.2. Terme juridique simple ou complexe<\/strong><\/p>\n L\u2019emploi erron\u00e9 d\u2019un terme est apparu comme le type d\u2019erreur pr\u00e9dominant. C\u2019est pourquoi nous nous y arr\u00eaterons de mani\u00e8re plus d\u00e9taill\u00e9e.<\/p>\n Le terme juridique est \u00e0 la base du discours juridique et de l\u2019activit\u00e9 m\u00eame du droit. Il est ind\u00e9niable que la ma\u00eetrise de la terminologie est l\u2019une des conditions essentielles d\u2019une bonne traduction juridique. Pour \u00eatre fiable, la TA doit \u00eatre capable de rendre fid\u00e8lement la notion juridique dans le texte cible. Ce n\u2019est manifestement pas le cas de DeepL qui pr\u00e9sente des erreurs dites \u00ab\u00a0terminologiques \u00bb plus ou moins graves.<\/p>\n En se penchant sur les erreurs terminologiques, nous pouvons distinguer les m\u00e9canismes les plus fr\u00e9quents d\u2019apparition de ces erreurs comme suit.<\/p>\n Nous avons constat\u00e9 de nombreux cas dans lesquels la TA remplace le terme juridique dans le texte source par un lex\u00e8me du langage commun dans le texte cible. Ce fait rend le texte cible d\u00e9pourvu de sens juridique et le prive d\u2019une information importante, ce qui est incompatible avec les normes d\u2019une traduction juridique de qualit\u00e9.<\/p>\n Voici quelques exemples o\u00f9 la TA choisit pour un lex\u00e8me polys\u00e9mique un \u00e9quivalent erron\u00e9 en contexte juridique. Par exemple, au lieu de r\u00e9quisition du minist\u00e8re public<\/em>, DeepL emploie un autre sens du m\u00eame lex\u00e8me \u00e0 savoir \u00ab\u00a0Proc\u00e9d\u00e9 par lequel l\u2019autorit\u00e9 (civile ou militaire) exige la fourniture d\u2019objets mobiliers, la jouissance de biens immobiliers ou la prestation de certains services pour assurer le fonctionnement du service public \u00bb (TLFi<\/em>[4]<\/em><\/a>) au lieu de \u00ab Demande faite en justice ou dans des formes prescrites \u00bb (TLFi<\/em>). Et c\u2019est dans ce sens erron\u00e9 que le terme est traduit en russe pour donner dans le texte cible \u0440\u0435\u043a\u0432\u0438\u0437\u0438\u0446\u0438\u0438<\/em> au lieu de \u0442\u0440\u0435\u0431\u043e\u0432\u0430\u043d\u0438\u044f<\/em> \u043f\u0440\u043e\u043a\u0443\u0440\u043e\u0440\u0430<\/em>.<\/p>\n Un exemple d\u2019erreur qui r\u00e9sulte en absurdit\u00e9 concerne le terme parquet\u00a0<\/em>: DeepL emploie en russe le lex\u00e8me qui signifie assemblage de lames de bois<\/em> au lieu de minist\u00e8re public<\/em>.<\/p>\n Les termes information<\/em> ainsi que faits<\/em> ont \u00e9t\u00e9 traduits en russe dans leurs sens non juridiques.<\/p>\n Nous pr\u00e9sentons ici l\u2019exemple du lex\u00e8me vol<\/em> qui a \u00e9t\u00e9 souvent mal traduit dans l\u2019un des arr\u00eats du corpus. DeepL a choisi le vol<\/em> dans le sens de \u00ab Fait d\u2019\u00eatre transport\u00e9 en l\u2019air d\u2019un point \u00e0 un autre en s\u2019y maintenant en suspension \u00bb au lieu de l\u2019\u00ab Action de s\u2019emparer frauduleusement de ce qui appartient mat\u00e9riellement \u00e0 autrui \u00bb (TLFi<\/em>). Sachant que la d\u00e9cision portait sur le vol <\/em>\u00e0 main arm\u00e9e<\/em>, le terme vol<\/em> a \u00e9t\u00e9 fr\u00e9quemment employ\u00e9 dans l\u2019arr\u00eat.<\/p>\n En examinant le deuxi\u00e8me exemple ci-dessous, nous supposons que DeepL prend en compte le contexte d\u2019une ou peut-\u00eatre de quelques phrases. Dans ce cas, il ferait mieux d\u2019appliquer l\u2019auto-attention \u00e0 l\u2019\u00e9chelle du document, et le vol<\/em> serait probablement pris dans le sens juridique dans tout le document.<\/p>\n Le terme complexe qui d\u00e9signe un concept juridique doit \u00eatre traduit comme une unit\u00e9. Or, DeepL propose souvent une traduction mot \u00e0 mot des composants du syntagme terminologique sans chercher un \u00e9quivalent du terme dans le syst\u00e8me terminologique de la langue d\u2019arriv\u00e9e.\u00a0 Ce sont des erreurs inadmissibles qui changent les propos du juge. Par exemple, le terme mandat de d\u00e9p\u00f4t<\/em> a \u00e9t\u00e9 traduit mot \u00e0 mot\u00a0: le lex\u00e8me d\u00e9p\u00f4t<\/em> a \u00e9t\u00e9 traduit comme \u0437\u0430\u043b\u043e\u0433<\/em> ce qui a donn\u00e9 en russe \u043e\u0440\u0434\u0435\u0440 \u043d\u0430 \u0437\u0430\u043b\u043e\u0433<\/em> (mandat de gage<\/em>). Le terme mandat de d\u00e9p\u00f4t<\/em>, tr\u00e8s fr\u00e9quent dans le discours juridictionnel, est important pour d\u00e9crire le d\u00e9roulement des proc\u00e9dures p\u00e9nales, il signifie \u00ab\u00a0ordre donn\u00e9 au chef d\u2019un \u00e9tablissement p\u00e9nitentiaire […] de recevoir et d\u00e9tenir, selon le cas, soit une personne mise en examen […], soit un pr\u00e9venu ou un accus\u00e9e \u00bb (GUILLIEN et al.<\/em> 2005\u00a0: 393).<\/p>\n Les autres exemples montrent \u00e9galement que le concept traduit est repr\u00e9sent\u00e9 dans le texte d\u2019arriv\u00e9e par une unit\u00e9 non terminologique, ce qui vide la d\u00e9cision de justice en russe de son sens juridique et entra\u00eene des impr\u00e9cisions, voire des fautes graves de compr\u00e9hension. C\u2019est le cas des termes bandes organis\u00e9e<\/em> et planche photographique<\/em> traduits litt\u00e9ralement. Leurs traductions invers\u00e9es seraient identiques au texte source, c\u2019est pourquoi nous ne les montrons pas.<\/p>\n Plus loin, les erreurs repr\u00e9sentent des sous-types d\u2019erreurs (de e \u00e0 g) regroup\u00e9es sous l\u2019\u00e9tiquette de \u00abtraductions impr\u00e9cises\u00bb qui incluent des erreurs moins graves pour la compr\u00e9hension. Le sens des termes employ\u00e9s est proche de celui de la langue source, mais les termes dans la langue cible manquent de pr\u00e9cision, ce qui peut avoir des cons\u00e9quences n\u00e9gatives pour la proc\u00e9dure judiciaire. Ainsi, co-mis en examen<\/em> n\u2019a pas le m\u00eame sens juridique que coauteur<\/em> et le terme saisine<\/em> n\u2019est pas \u00e9quivalent \u00e0 renvoi<\/em>. Nous pr\u00e9sentons ci-dessous les diff\u00e9rentes fa\u00e7ons dont cette impr\u00e9cision se manifeste.<\/p>\n L\u2019emploi d\u2019un hyperonyme au lieu d\u2019un terme sp\u00e9cifique \u00e9quivalent diminue la qualit\u00e9 et la pr\u00e9cision de la traduction.<\/p>\n Certaines substitutions de termes sont tellement improbables qu\u2019elles s\u2019apparentent \u00e0 des \u00ab\u00a0hallucinations[5]<\/a>\u00a0\u00bb. Le syst\u00e8me semble inventer des sens qui n\u2019existent pas dans la source, par exemple, traitement m\u00e9dicamenteux<\/em> est traduit beaucoup plus sp\u00e9cifiquement par traitement contre la d\u00e9pendance aux drogues<\/em>. Le syst\u00e8me peut m\u00eame inventer des mots inexistants dans la langue cible, comme avec la commission rogatoire<\/em>, traduit par \u0440\u043e\u0433\u0430\u0442\u043e\u0440\u0438\u0430\u043b\u044c\u043d\u0430\u044f<\/em> \u043a\u043e\u043c\u0438\u0441\u0441\u0438\u044f<\/em>. Ces erreurs ne sont pas \u00e9videntes \u00e0 rep\u00e9rer sans examen attentif de l\u2019original, mais le sens du texte est consid\u00e9rablement distordu. Pour identifier ces erreurs il faut \u00eatre conscient que le syst\u00e8me est capable d\u2019en faire.<\/p>\n Nous avons \u00e9galement observ\u00e9 la variation de traduction incorrecte d\u2019un terme. Dans un m\u00eame texte, la TA peut proposer un \u00e9quivalent tant\u00f4t correct, tant\u00f4t incorrect d\u2019un terme ou plusieurs variantes incorrectes uniquement, par exemple :<\/p>\n I.3 Collocations juridiques<\/strong><\/p>\n Une collocation sp\u00e9cialis\u00e9e peut \u00eatre d\u00e9finie comme une occurrence lexicale privil\u00e9gi\u00e9e par l\u2019usage d\u2019\u00e9l\u00e9ments linguistiques entretenant une relation syntaxique de subordination ou de coordination dans le discours sp\u00e9cialis\u00e9. Les collocations juridiques ont des traits caract\u00e9ristiques par rapport aux collocations de la langue g\u00e9n\u00e9rale et jouent un r\u00f4le important dans le discours juridique. Elles relient un texte au domaine sp\u00e9cialis\u00e9, remplissant une fonction de coh\u00e9rence du discours, et contribuent \u00e0 la nomination des processus et de faits complexes. \u00c9tant partie int\u00e9grante du syst\u00e8me de la langue, ces unit\u00e9s se d\u00e9finissent par un nombre de particularit\u00e9s usuelles, syntaxiques et s\u00e9mantiques. Le discours du droit abonde de collocations sans lesquelles il est difficile de repr\u00e9senter un texte juridique et, en l\u2019esp\u00e8ce, une d\u00e9cision de justice.<\/p>\n Nous distinguons trois types de collocations juridiques\u00a0: terminologiques, non terminologiques et de termes (PESHKOV 2013)[6]<\/a>. Dans la traduction r\u00e9alis\u00e9e par DeepL, on trouve un nombre de traductions erron\u00e9es de tous les types de collocations. Voici quelques exemples :<\/p>\n I.4 Erreurs de traduction des noms propres<\/strong><\/p>\n Nous avons constat\u00e9 que les noms propres (noms de personnes, d\u2019entreprises, toponymes) sont souvent transcrits avec des erreurs.<\/p>\n Avec notre exp\u00e9rience d\u2019enseignement universitaire de la langue juridique et de la traduction juridique fran\u00e7ais-russe, nous pouvons constater que certaines erreurs lexicales sont le fait tant d\u2019apprenants non natifs que de locuteurs natifs qui ne ma\u00eetrisent pas la langue juridique, \u00e0 savoir, qu\u2019ils essayent de traduire mot \u00e0 mot un terme complexe ou une collocation juridique, d\u2019employer un synonyme de la langue courante au lieu d\u2019un terme juridique. En revanche, il est difficile d\u2019imaginer l\u2019emploi par les apprenants d\u2019un homonyme qui ne correspond m\u00eame pas au contexte, comme l\u2019a fait DeepL.<\/p>\n De nombreuses erreurs grammaticales ont \u00e9t\u00e9 relev\u00e9es dans les traductions r\u00e9alis\u00e9es par DeepL. Plus sp\u00e9cifiquement, il s\u2019agit de fautes de d\u00e9clinaison, de temps, de r\u00e9gime verbal, d\u2019accord en genre et en nombre, de pr\u00e9position mal traduite et de possessifs. Voici quelques exemples\u00a0:<\/p>\n II.1 D\u00e9clinaison<\/strong><\/p>\n II.2 Temps<\/strong><\/p>\n II.3 R\u00e9gime verbal<\/strong><\/p>\n II.4 Accord en nombre et en genre<\/strong><\/p>\n II.5 Pr\u00e9position<\/strong><\/p>\n II.6 Possessifs<\/strong><\/p>\n On observe de nombreuses erreurs dans l\u2019emploi des possessifs. Les possessifs \u0441\u0432\u043e\u0439<\/em> et \u0435\u0433\u043e<\/em> sont souvent confondus. \u00c0 noter que \u0441\u0432\u043e\u0439<\/em> s\u2019emploie uniquement lorsque le possesseur est le sujet de la proposition. Si le possesseur n\u2019est pas le sujet de proposition, le possessif comporte une indication de personne. Dans les exemples qui suivent, c\u2019est le possessif \u0435\u0433\u043e<\/em> (troisi\u00e8me personne du masculin singulier) qui doit \u00eatre employ\u00e9 pour pr\u00e9server le sens de la phrase.<\/p>\n Certaines analyses de la TA mentionnent que les erreurs de syntaxe sont courantes dans les sorties de tels syst\u00e8mes (PLAVINSKAYA 2022 : 5). Le discours juridique est connu pour sa syntaxe complexe qui entra\u00eene des erreurs rendant la traduction difficilement compr\u00e9hensible. Ainsi, dans le premier exemple cit\u00e9 de la traduction faite par DeepL, la personne interrog\u00e9e affirme ignorer plut\u00f4t le nom d\u2019Aleksei Z. que le nom de Riivo N. En outre, Kirill B. et Aleksei Z. sont devenus dans le texte d\u2019arriv\u00e9e des organisateurs de voyage. Dans le deuxi\u00e8me exemple, la mention de l\u2019ensemble du territoire national comme le terrain d\u2019exploitation sexuelle des jeunes femmes achemin\u00e9es depuis leur pays d\u2019origine disparait et la phrase devient incompr\u00e9hensible.<\/p>\n Nous avons remarqu\u00e9 que DeepL peut omettre une partie du terme complexe, d\u2019une collocation ou un lex\u00e8me de la langue courante. Une partie d\u2019information reste ainsi manquante dans le texte cible.<\/p>\n Noms de personnes, de lieux, d\u2019entreprises laiss\u00e9s en fran\u00e7ais dans le texte d\u2019arriv\u00e9e.<\/p>\n L\u2019ajout repr\u00e9sente un autre type d\u2019erreur difficilement d\u00e9tectable \u00e0 la lecture du texte d\u2019arriv\u00e9e et peut \u00eatre qualifi\u00e9 comme une \u00ab\u00a0hallucination\u00a0\u00bb. Dans la traduction apparaissent des informations compl\u00e8tement absentes dans le texte source[7]<\/a>. Qui peut penser que la TA ajoute de l\u2019information inexistante dans la d\u00e9cision de justice et \u00ab\u00a0embellit \u00bb le texte traduit ? Nous avons, par exemple, remarqu\u00e9 l\u2019emploi r\u00e9current du sigle \u0420\u0424<\/em>, signifiant \u00ab F\u00e9d\u00e9ration de Russie \u00bb, apr\u00e8s quasiment chaque mention des Codes fran\u00e7ais. Il est tout de m\u00eame \u00e9vident pour un lecteur averti que la personne, m\u00eame si elle est de nationalit\u00e9 russe, ne sera pas jug\u00e9e en France selon la l\u00e9gislation de la F\u00e9d\u00e9ration de Russie.<\/p>\n Tous les types d\u2019erreurs que nous avons examin\u00e9s plus haut peuvent entra\u00eener, comme nous l\u2019avons vu, une distorsion ou omettre une information n\u00e9cessaire dans la d\u00e9cision de justice traduite. Ces erreurs vont jusqu\u2019aux contresens, ce qui est tr\u00e8s dangereux, car elles changent compl\u00e8tement le sens sans \u00eatre apparentes, et ne sont d\u00e9tectables qu\u2019en prenant en consid\u00e9ration le texte source. C\u2019est-\u00e0-dire qu\u2019\u00e0 la simple lecture du texte d\u2019arriv\u00e9e, elles peuvent \u00eatre ignor\u00e9es par le post-\u00e9diteur et, bien \u00e9videmment, par un utilisateur qui croit sans r\u00e9serve aux promesses de DeepL sur la qualit\u00e9 de la traduction juridique. Voici quelques exemples de contresens dans des traductions d\u2019arr\u00eats :<\/p>\n La figure 1. pr\u00e9sente les pourcentages par type d\u2019erreur dans notre corpus. Les plus fr\u00e9quentes sont les erreurs terminologiques. Soulignons ici qu\u2019au niveau international et interculturel, la question de l\u2019\u00e9quivalence terminologique, mais aussi de la pr\u00e9cision des termes et des concepts qu\u2019ils d\u00e9signent, est fondamentale.<\/p>\n Figure 1. Pourcentages par type d\u2019erreur<\/p>\n En deuxi\u00e8me place viennent les s\u00e9quences non-traduites qui sont, pour la plupart, des noms propres (entit\u00e9s nomm\u00e9es) donn\u00e9s dans l\u2019alphabet de la langue source. Ensuite nous voyons les erreurs dans les collocations juridiques, toutes les donn\u00e9es sur lesquelles DeepL a \u00e9t\u00e9 entra\u00een\u00e9 ne lui ont pas permis d\u2019apprendre \u00e0 r\u00e9soudre parfaitement cette difficult\u00e9.<\/p>\n Avant de conclure pour donner un aper\u00e7u du travail de post-\u00e9dition, nous pr\u00e9sentons deux pages type de la traduction d\u2019une ordonnance traduite par DeepL avec les erreurs soulign\u00e9es (voir Annexes 1 et 2).<\/p>\n Nous constatons que DeepL a r\u00e9ussi de nombreuses phrases. En m\u00eame temps, le nombre d\u2019erreurs \u00e0 identifier et \u00e0 corriger est consid\u00e9rable. Une post-\u00e9dition importante est donc n\u00e9cessaire.<\/p>\n La post-\u00e9dition (en anglais PEMT, post-editing machine translation<\/em>) est un processus de correction des sorties de la traduction automatique par un humain. Le but de la post-\u00e9dition n\u2019est pas n\u00e9cessairement de produire un \u00e9quivalent parfait du texte, comme il serait traduit par un traducteur humain, mais de rendre un r\u00e9sultat compr\u00e9hensible en langue cible en utilisant le minimum de temps et d\u2019efforts (SHEVCHUK, NIKIFOROVA 2021). Cependant dans certains cas, et c\u2019est le cas de la traduction des d\u00e9cisions de justice, la traduction doit \u00eatre pr\u00e9cise. La qualit\u00e9 humaine est donc exig\u00e9e, ce qui fait que la qualification du post-\u00e9diteur doit \u00eatre de haut niveau. Il peut \u00eatre, par exemple, un expert jurilinguiste qui est inform\u00e9 des types d\u2019erreurs que peut commettre la TA.<\/p>\n \u00c0 l\u2019heure actuelle, le traducteur automatique ne peut pas assurer la qualit\u00e9 de traduction n\u00e9cessaire au bon fonctionnement de la justice dans le contexte national et international sans intervention humaine. Il peut tout de m\u00eame \u00eatre un outil d\u2019un traducteur sp\u00e9cialis\u00e9 qui pourrait assurer une post-\u00e9dition importante. Le traducteur de texte juridique ne peut pas savoir en avance combien d\u2019erreurs va faire la TA et il est tout \u00e0 fait possible qu\u2019il passe autant de temps \u00e0 post-\u00e9diter la traduction que de traduire, en fonction de la complexit\u00e9 du texte. S\u2019il choisit la post-\u00e9dition, il doit \u00eatre conscient du comportement de la TA, que nous avons discut\u00e9 ici. Il doit porter une attention particuli\u00e8re aux d\u00e9tails et il doit ma\u00eetriser la terminologie du domaine en question.<\/p>\n Pour les personnes pour lesquelles la TA est la seule mani\u00e8re d\u2019acc\u00e9der au sens du texte, c\u2019est la conscience des risques de la gravit\u00e9 des erreurs et des \u00e9ventuels contresens qui d\u00e9termine l\u2019utilit\u00e9 et la s\u00fbret\u00e9 de son utilisation.<\/p>\n <\/p>\n BISIANI, Francesca, \u00ab\u00a0Les \u201cminorit\u00e9s\u201d en Italie et en France. L\u2019impact de la traduction automatique sur la d\u00e9termination des concepts juridiques\u00a0\u00bb, Traduire. Revue fran\u00e7aise de la traduction<\/em>, n. 246, 2022, p. 65\u201176.<\/p>\n BRACCHI, Enrica, \u00ab\u00a0Traduction juridique \u00e0 l\u2019aide de DeepL et selon une approche juritraductologique\u00a0: retour sur exp\u00e9rience\u00a0<\/em>\u00bb, Recherche et pratiques p\u00e9dagogiques en langues<\/em>, n. 42 (2), 2023. https:\/\/journals.openedition.org\/apliut\/11086<\/a><\/p>\n BRANNAN, James, \u00ab\u00a0L\u2019article 3 de la directive 2010\/64\/UE\u202f: la traduction \u00e9crite en mati\u00e8re p\u00e9nale devient un droit \u00e0 part enti\u00e8re\u00a0\u00bb, \u00c9la. <\/em>\u00c9tudes de linguistique appliqu\u00e9e<\/em>, n.\u00a0183 (3), 2016, p. 281\u2011295.<\/p>\n CALLISON-BURCH, Chris et al<\/em>., \u00ab\u00a0Re-evaluating the role of BLEU in machine translation research\u00a0\u00bb, 11th conference of the european chapter of the association for computational linguistics<\/em>, 2006, p. 249\u2011256. https:\/\/aclanthology.org\/E06-1032.pdf<\/a><\/p>\n CH\u00c1VEZ, Edward L., \u00ab\u00a0New Mexico\u2019s success with non-English speaking jurors\u00a0\u00bb, Journal of Court Innovation<\/em>, n. 1, 2008, p. 303\u2011328.<\/p>\n COLDEWAY, Devin, LARDINOIS, Frederic, \u00ab\u00a0DeepL Schools Other Online Translators with Clever Machine Learning\u00a0\u00bb, TechCrunch.com<\/em>, 2017. https:\/\/techcrunch.com\/2017\/08\/29\/deepl-schools-other-online-translators-with-clever-machine-learning\/<\/a><\/p>\n CORNU, G\u00e9rard, Linguistique juridique<\/em>, 3e \u00e9d, Paris, Montchrestien, 2005.<\/p>\n ESPERAN\u00c7A-RODIER, Emmanuelle, FRANKOWSKI, Damian, \u00ab\u00a0DeepL vs Google Translate\u00a0: Who\u2019s the Best at Translating MWEs from French into Polish\u00a0? A Multidisciplinary Approach to Corpora Creation and Quality Translation of MWEs\u00a0\u00bb, Translating and the Computer<\/em>, n. 43, 2021. https:\/\/hal.science\/hal-03779450<\/a><\/p>\n G\u00c9MAR, Jean-Claude, \u00ab\u00a0Aux sources de la \u201cjurilinguistique\u201d\u00a0: texte juridique, langues et cultures\u00a0\u00bb, Revue fran\u00e7aise de linguistique appliqu\u00e9e, <\/em>n. 16 (1), 2011, p. 9\u201116.<\/p>\n G\u00c9MAR, Jean-Claude, Traduire ou l\u2019art d\u2019interpr\u00e9ter 2. Langue, droit et soci\u00e9t\u00e9\u00a0: \u00e9l\u00e9ments de jurilinguistique. Application<\/em>, Qu\u00e9bec, Presses de l\u2019Universit\u00e9 de Qu\u00e9bec, 1995.<\/p>\n GUILLIEN, Raymond, VINCENT, Jean, Lexique des termes juridiques<\/em>, Paris, Dalloz, 2005.<\/p>\n HEISS, Christine, SOFFRITTI, Marcello, \u00ab\u00a0DeepL Traduttore e didattica della traduzione dall\u2019italiano in tedesco. Alcune valutazioni preliminari\u00a0\u00bb, InTRAlinea. Special Issu<\/em>e\u00a0: Translation and Interpreting for Language Learners (TAIL)<\/em>, n. 20, 2018. http:\/\/www.intralinea.org\/specials\/article\/2294<\/a><\/p>\n Irimia, Dorina, \u00ab\u00a0Pour une nouvelle branche de droit\u202f? La traduction juridique, du droit au langage\u00a0\u00bb, \u00c9la. \u00c9tudes de linguistique appliqu\u00e9e<\/em>, n. 183 (3), 2016, p. 329\u2011341.<\/p>\n KHALFALLAH, Nejmeddine, \u00ab\u00a0La traduction juridique et les syst\u00e8mes de traduction automatique\u00a0\u00bb, EKB Journal Management<\/em>, n. 106 (71), 2021, p. 1\u201114.<\/p>\n LEE, Katherine et al.<\/em>, \u00ab\u00a0Hallucinations in neural machine translation\u00a0\u00bb, 2018, https:\/\/scholar.google.com\/scholar?cluster=13047383023392116047&hl=fr&as_sdt=0,5<\/a> <\/u><\/p>\n MONJEAN-DECAUDIN, Sylvie, La traduction du droit dans la proc\u00e9dure judiciaire : contribution \u00e0 l\u2019\u00e9tude de la linguistique juridique<\/em>, Th\u00e8se de doctorat, Paris 10, 2010. https:\/\/www.theses.fr\/2010PA100102<\/a><\/p>\n Novelty Textile, Inc. v. Windsor Fashions, Inc.<\/em> Case No. CV 12-05602 DDP (MANx), 20 mars 2013.<\/p>\n PAPINENI, Kishore et al.<\/em>, \u00ab\u00a0Bleu\u00a0: a method for automatic evaluation of machine translation\u00a0\u00bb, Proceedings of the 40th annual meeting of the Association for Computational Linguistics<\/em>, 2002, p. 311\u2011318. https:\/\/aclanthology.org\/P02-1040.pdf<\/a><\/p>\n
\n<\/strong>Docteure en \u00e9tudes slaves de l\u2019Universit\u00e9 d\u2019Aix-Marseille
\nTraductrice Experte agr\u00e9\u00e9e par la Cour de cassation
\nExperte pr\u00e8s la Cour d\u2019appel d\u2019Aix-en-Provence
\nkirapeskov@gmail.com<\/a><\/p>\n
\n<\/strong>Traducteur, Sp\u00e9cialiste en traitement automatique des langues
\nklim.peshkov@gmail.com<\/a><\/p>\n
\nR\u00e9sum\u00e9<\/h4>\n
Abstract
\nMachine translation of legal discourse: is it reliable?<\/h4>\n
\nIntroduction<\/h3>\n
1. Cas d\u00e9crits de l\u2019utilisation de la TA dans le monde juridique<\/h3>\n
2. Pourquoi DeepL ?<\/h3>\n
3. La technologie qui sous-tend DeepL<\/h3>\n
4. \u00c9valuation de la TA<\/h3>\n
5. Le discours juridictionnel<\/h3>\n
<\/p>\n6. Classification des erreurs faites par DeepL<\/h3>\n
\n
\n
\n
I. Erreurs lexicales<\/h4>\n
<\/p>\n\n
<\/p>\n\n
<\/p>\n\n
<\/p>\n\n
<\/p>\n\n
<\/p>\n\n
<\/p>\n\n
<\/p>\n\n
<\/p>\n<\/p>\n<\/p>\nII: Erreurs grammaticales<\/h4>\n
\u00a0<\/strong><\/p>\n\u00a0<\/strong><\/p>\n\u00a0<\/strong><\/p>\n<\/strong><\/p>\n\u00a0<\/strong><\/p>\n\u00a0<\/strong><\/p>\nIII. Erreurs de syntaxe<\/h4>\n
<\/p>\nIV. Omissions<\/h4>\n
<\/p>\nV. S\u00e9quences non-traduites<\/h4>\n
VI. Ajouts<\/h4>\n
<\/strong><\/p>\nVII. Contresens<\/h4>\n
\u00a0<\/strong><\/p>\nVIII. Aper\u00e7u quantitatif<\/h4>\n
<\/p>\nConclusion<\/h3>\n
R\u00e9f\u00e9rences bibliographiques<\/h3>\n