MétaCan
Menu
Retour à la cohorte
Enregistrement W4405054593 · doi:10.7202/1114772ar

Traduire pour inclure : les personnages non binaires et la langue française

2024· article· fr· W4405054593 sur OpenAlexaffvenue
Catherine Viens

Notice bibliographique

RevueTTR traduction terminologie rédaction · 2024
Typearticle
Languefr
DomaineSocial Sciences
ThématiqueGender Studies in Language
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésHumanitiesArtPhilosophy

Résumé

récupéré en direct d'OpenAlex

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 machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,321
Score d'incertitude au seuil0,639

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,005
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0060,006
Communication savante0,0060,004
Science ouverte0,0010,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0220,004

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.

Tête enseignante Opus0,060
Tête enseignante GPT0,364
Écart entre enseignants0,304 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueTTR traduction terminologie rédactionMême sujetGender Studies in LanguageTravaux en français237 207