Algorithmic Mimesis: Translation, Technology, Resistance
Notice bibliographique
Résumé
Translation technologies often figure translation as a simple process of linguistic transfer from one code to another or as a question of selecting the correct matching segments from a database. The prominence of such technologies in the digital age has thus renewed discussions of fidelity and equivalence for translators. The critical attention given to broader cultural and textual contexts that came into focus with the cultural turn seems at risk of disappearing into cyberspace. However, the ongoing proliferation of textual production and reproduction also foregrounds the possibilities of variability and difference in repetition. Using the foibles of technology as catalysts for their own creative ventures, digital-age artists such as Urayoán Noel and Malinda Kathleen Reese channel deficiencies productively in their art, revealing the unsuspected potentials of digital technologies. Such a view of translation as creation challenges the commonplace notion that translation is a scientific act of “carrying across,” a purely semantic transfer that results in the (illusion of) identicality of source and target. Echoing Lévi-Strauss’s notion of “bricolage”—the means by which people retrieve and recombine cultural materials to create new content—Reese and Noel shatter the semantic shackles of identicality by using technology to retrieve and transform the material scraps of language and culture. Their art helps us reconceptualize translation and go beyond fixed notions of what a translation should be or do in terms of fidelity and equivalence. Their playful misuse of machine translation and voice-recognition software allows for a critical analysis of the tension between the universal and the particular as it relates to the act of translation, and does so in a way that uses formal experimentation and humour to resist traditional power dynamics.
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 | 0,009 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,039 |
| Communication savante | 0,010 | 0,017 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,006 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,003 |
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 ».