Oral et illusion d’oral : indices d’oralité dans les sous-titres de dialogues de film
Notice bibliographique
Résumé
Lorsque que l’on parle d’oralité dans les sous-titres de films, c’est souvent en termes de perte par rapport aux dialogues sources, dont l’oralité, elle, semble peu mise en question. Elle ne va pourtant pas de soi. Les dialogues de films ne sont pas de l’oral, ils en créent l’illusion. Si, comme l’avance Fowler (1991, 2000), le sens de l’oralité ne relève pas uniquement de la projection par le canal oral, facteur qui différencie dialogues et sous-titres, quel rapport y a-t-il entre cette illusion et celle que doit aussi ménager le sous-titrage ? C’est à cette question que s’intéresse cet article, qui s’appuie sur la comparaison de dialogues et sous-titres correspondants du film37°2 le matin(Beineix 1986) par rapport à l’oral spontané, et sur la théorie du mode de Fowler, pour conclure que, paradoxalement, les contraintes du sous-titrage en stimulent le potentiel à produire l’expérience de l’oralité.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,007 | 0,008 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».