Traduire pour inclure : les personnages non binaires et la langue française
Notice bibliographique
Résumé
Les personnes non binaires sont de plus en plus présentes dans notre paysage médiatique et nos entourages. Leurs réalités sont toutefois encore bien mal connues du grand public et leur besoin de représentation est grand. Une présence accrue dans la littérature française permettrait à la fois de sensibiliser la population et de donner des modèles aux personnes non binaires. Comme pour l’instant peu d’oeuvres francophones mettent en scène des personnages non binaires, la traduction devient un outil intéressant d’inclusion et de visibilisation. Cependant, les défis traductifs sont nombreux lorsqu’on doit passer d’une langue peu genrée comme l’anglais à une langue beaucoup plus genrée telle que le français. Non seulement il faut trouver un équivalent aux pronoms neutres anglais, il faut aussi jongler avec la flexion des participes et des adjectifs, ainsi qu’avec tous les substantifs genrés que comporte la langue française. C’est peut-être pour cette raison que, malgré un bassin relativement vaste de textes en littératures anglophones, très peu de textes comportant des personnages non binaires sont traduits vers le français. Cet article explore différentes stratégies de traduction des pronoms neutres anglais (plus particulièrement le they singulier) et la façon d’aborder les accords de participes et d’adjectifs dans un contexte non binaire. D’abord l’évitement, qui comporte le risque d’invisibiliser les personnes mêmes que l’on veut représenter; ensuite la troisième personne masculine plurielle ( ils ) et ses accords habituels, qui rendent le texte quelque peu incongru; le on qui apporte la confusion avec sa grande polysémie; et finalement les nouveaux pronoms et les accords doubles ou neutres qui introduisent des néologismes peu connus du lectorat.
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 | 0,001 | 0,000 |
| 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 | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».