La traduction du vernaculaire noir : l’exemple de Zora Neale Hurston
Notice bibliographique
Résumé
La traduction du vernaculaire noir : l'exemple de Zora Neale Hurston — La traduction du vernaculaire noir exige du traducteur une grande part de créativité. Le cas de la romancière et anthropologue Zora Neale Hurston en fournit un bon exemple. Capturant avec le même bonheur le rythme traînant des dialectes du Sud et le feu d'artifice verbal des marlous newyorkais, l'accent des fermiers du Delta ou des ouvriers itinérants, elle restitue une langue et une culture forgées par une vision tantôt folklorique tantôt biblique du monde qui permettait aux Noirs d'affirmer de manière codée leur résistance à l'oppression blanche. Ses oeuvres sont narrées dans un anglais classique, seuls les dialogues sont transcrits phonétiquement. Du point de vue du traducteur, l'auteur utilise non pas une langue « correcte » et un anglais dialectal mais deux langues différentes qu'elle place sur pied d'égalité : le texte classique mais nourri des traditions langagières noires de la narration, et le « parler noir » des dialogues qui situe chaque protagoniste en fonction de ses appartenances sociales et régionales. Le traducteur doit pouvoir reconnaître les subtiles techniques stylistiques de la narration afin d'en trouver l'équivalent en français. Et pour pouvoir rendre la langue traînaillante des dialogues, langue qui invente sa propre grammaire, joue des redondances et des métaphores, mêle argot et termes savants, survivances des langues africaines et anglais élizabethain, il doit « inventer » une langue qui permette de rendre visuellement le rythme, les accents et les inventions verbales du Black English.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».