Notice bibliographique
Résumé
Dans une étude assez récente, Gisèle Sapiro (2012) mettait l’accent sur les obstacles à la traduction dans le domaine littéraire. En effet, si l’on parle souvent avec enchantement (et parfois de façon naïve) du « dialogue entre les cultures » prôné par la traduction littéraire, on s’intéresse moins aux conditions et aux obstacles que ce dialogue peut poser. La question est pourtant primordiale, surtout lorsqu’on étudie la traduction des romans d’écrivains dits « de banlieue ». De par leur spécificité, ces romans mobilisent des rapports de force d’ordre linguistique, social et culturel. En prenant appui sur une étude de cas constituée par la traduction italienne des romans de Saphia Azzeddine, cet article cherche à sonder les défis et obstacles posés par la traduction, que l’on peut diviser en deux catégories enchevêtrées et interdépendantes : les obstacles internes, liés aux difficultés traductives posées par l’emploi et le détournement de l’argot des cités; les obstacles externes, qui concernent les politiques éditoriales ainsi que les facteurs sociaux et économiques relatifs à la circulation des oeuvres dans le marché contemporain.
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 | 0,011 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,013 | 0,030 |
| Communication savante | 0,018 | 0,014 |
| Science ouverte | 0,001 | 0,008 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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 ».