Toward Human-Centered AI-Assisted Terminology Work

Résumé technique : Vers un travail terminologique assisté par l'IA centré sur l'humain

Énoncé du problème
L'émergence rapide de l'intelligence artificielle générative (IA générative), en particulier des modèles de langage de grande taille (LLM), présente un double défi pour le travail terminologique (TT). Bien que les LLM offrent des opportunités d'automatisation — telles que la génération de définitions, la proposition d'équivalents de termes et l'identification de relations conceptuelles — ils introduisent également des risques importants. Les LLM actuels sont sujets aux erreurs, aux hallucinations et à diverses formes de biais, ce qui les rend peu fiables pour un usage terminologique autonome. De plus, le domaine manque de principes établis pour guider l'intégration de ces technologies. Une préoccupation prévaut quant au fait que les pressions liées à l'efficacité puissent conduire à une automatisation excessive basée sur le malentendu selon lequel l'expertise humaine peut être remplacée, ce qui pourrait potentiellement compromettre l'autonomie du terminologue, dévaluer l'expertise professionnelle et éroder la diversité linguistique et conceptuelle. Le problème central est l'absence d'un cadre capable de l'équilibre entre les gains d'efficacité de l'IA générative et la nécessité de maintenir l'agence humaine, l'exactitude et les normes éthiques dans la production terminologique.

Méthodologie
Cet article adopte une approche conceptuelle et théorique plutôt qu'un plan expérimental empirique. Il synthétise les travaux de recherche existants issus de trois domaines principaux :

1. L'Intelligence Artificielle Centrée sur l'Humain (HCAI) : En s'appuyant largement sur les travaux de Shneiderman (2020) et d'autres, l'article établit l'HCAI comme un paradigme qui donne la priorité à l'épanouissement humain, à l'amplification de l'agence humaine et à la compatibilité entre une automatisation élevée et un contrôle humain fort.
2. Les Études de la Traduction : L'article examine comment les principes de l'HCAI ont été appliqués à la traduction, spécifiquement concernant le passage du « taylorisme numérique » à la « traduction augmentée » et la relation symbiotique entre l'humain et la machine.
3. La Littérature sur le Travail Terminologique : Il analyse les caractéristiques épistémiques et professionnelles spécifiques du TT, notamment la nature des produits terminologiques, le rôle de la validation et les limites de la performance actuelle des LLM dans des tâches telles que l'extraction de termes, la génération de définitions et la proposition d'équivalences.

La méthodologie consiste en une analyse critique de ces champs interconnectés afin de proposer un cadre conceptuel pour l'intégration de l'IA dans le TT. Elle passe en revue les études à petite échelle existantes sur la performance des LLM en terminologie (ex. : extraction de termes, génération de définitions) pour démontrer les limites actuelles et la nécessité d'une intervention humaine.

Contributions Clés
L'article propose un cadre d'IA centrée sur l'humain (HCAI) spécifiquement adapté au travail terminologique, organisé autour de trois dimensions interdépendantes :

1. Le Terminologue Augmenté :

   • Compatibilité de l'automatisation et du contrôle : L'article soutient que des niveaux élevés d'automatisation et un contrôle humain fort ne sont pas mutuellement exclusifs, mais sont compatibles et souhaitables. Il préconise un modèle « l'IA dans la boucle » (AI-in-the-loop) où l'IA agit comme un composant de soutien subordonné à la direction humaine, plutôt que comme un remplacement.
   • Autonomisation vs Émulation : L'objectif principal de l'IA dans le TT doit être d'autonomiser les terminologues (en améliorant leurs capacités) plutôt que de simplement émuler l'intelligence humaine. L'IA doit gérer les tâches intensives en données (ex. : reconnaissance de formes, génération rapide de candidats) tandis que les humains conservent l'autorité sur la modélisation conceptuelle, la validation et la prise de décision finale.
   • Nouveaux ensembles de compétences : L'intégration de l'IA nécessite une « littératie de l'IA », incluant la capacité d'évaluer de manière critique les résultats de l'IA, de formuler des requêtes (prompts) efficaces, de comprendre les implications éthiques et de sélectionner les niveaux d'automatisation appropriés pour des sous-tâches spécifiques.

2. L'IA Éthique :

   • Protection des valeurs professionnelles : Le cadre souligne que l'adoption de l'IA ne doit pas compromettre le bien-être ou les valeurs professionnelles du terminologue, telles que la précision linguistique, la diversité épistémique et la représentation équitable des visions du monde.
   • Atténuation des biais : L'article détaille les biais spécifiques inhérents aux LLM (linguistiques, temporels, culturels, épistémiques et sociaux) découlant de la composition des données d'entraînement (ex. : dominance du contenu anglophone et centré sur les États-Unis) et du fonctionnement algorithmique. Il postule que les terminologues sont indispensables pour atténuer ces biais par des interventions en amont (requêtes, sélection des sources) et en aval (examen critique, correction des biais) afin d'empêver la circulation d'une terminologie inexacte ou déformée.

3. Le Design Centré sur l'Humain (HCD) :

   • Intégration centrée sur l'utilisateur : Les outils d'IA devraient être intégrés directement dans les flux de travail terminologiques plutôt que d'être accédés via des chatbots autonomes, afin de réduire les frictions.
   • Design Participatif : Les terminologues doivent être activement impliqués dans la conception, le design et l'affinement des outils d'IA pour garantir l'alignement avec les pratiques professionnelles.
   • Ergonomie Cognitive : Les systèmes doivent être conçus pour réduire la charge cognitive, soutenir la prise de décision grâce à l'explicabilité (ex. : la génération augmentée par récupération ou Retrieval-Augmented Generation pour la vérification des sources) et atténuer les risques tels que la réduction de l'engagement critique et l'effet d'ancrage par un design d'interface intentionnel (ex. : boîtes de dialogue de confirmation, retard de la suggestion après une analyse indépendante).

Résultats et Conclusions
L'article ne présente pas de nouvelles données expérimentales mais synthétise les preuves existantes pour tirer plusieurs conclusions :

• Limites des LLM : Les LLM actuels sont incohérents et peu fiables pour les tâches terminologiques. Bien qu'ils puissent surpasser les méthodes statistiques traditionnelles dans certains contextes (ex. : extraction de termes), ils produisent fréquemment des hallucinations, confondent les variantes régionales et peinent avec les relations conceptuelles profondes.
• Indispensabilité des Humains : En raison de ces limites et du besoin de validation faisant autorité, les terminologues humains restent essentiels. Leur rôle passe de l'exécution manuelle à la supervision, l'affinement et l'intendance éthique.
• Risque d'une Automatisation non contrôlée : L'adoption non structurée de l'IA générative risque d'amplifier les biais, d'éroder la diversité linguistique et de diminuer l'agence professionnelle des terminologues, menant potentiellement à un « taylorisme numérique » où les travailleurs deviennent de simples validateurs de la production de la machine.
• Faisabilité de l'HCAI : Les preuves issues des études de la traduction suggèrent qu'une automatisation élevée peut coexister avec un contrôle humain fort, à condition que la technologie soit conçue pour augmenter plutôt que pour remplacer le jugement humain.

Signification
L'article soutient qu'une orientation centrée sur l'humain est non seulement souhaitable mais nécessaire pour garantir que l'IA renforce, plutôt qu'elle ne mine, le rôle essentiel du travail terminologique. En préservant l'agence professionnelle et l'autorité décisionnelle, cette approche sauvegarde l'exactitude et la fiabilité des produits terminologiques, qui sont cruciaux pour la communication spécialisée, la traduction, la normalisation et le transfert de connaissances à travers les langues et les cultures. L'article conclut que les décisions prises concernant l'intégration de l'IA aujourd'hui détermineront si le travail terminologique continuera de soutenir la transmission précise des connaissances ou s'il succombera aux risques de biais et de distorsion conceptuelle. Il appelle à un programme de recherche soutenu pour évaluer empiriquement la manière dont les terminologues interagissent avec l'IA et pour évaluer systématiquement la compétence des LLM sous diverses conditions.