MétaCan
Menu
Retour à la cohorte
Enregistrement W7133468425

L'erreur culturelle dans le sous-titrage européen du film bilingue Bon cop bad cop d'Erik Canuel et ses effets sur l'humour

2018· article· fr· W7133468425 sur OpenAlexaboutno aff
Camille Noël

Notice bibliographique

RevueORBi UMONS · 2018
Typearticle
Languefr
DomaineSocial Sciences
ThématiqueLinguistic and Sociocultural Studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésFrenchContext (archaeology)Cultural environment
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Le film d'action Bon cop bad cop, réalisé par Erik Canuel en 2006, est unique en son genre, car il s'agit d'une comédie bilingue qui comporte des dialogues non seulement en anglais, mais aussi en français canadien. Le ressort comique principal repose sur l'affrontement entre Martin, un policier ontarien très scrupuleux incarné par Colm Feore et David, un policier québécois aux méthodes peu orthodoxes incarné par Patrick Huard. Tout les oppose et pourtant ils doivent unir leurs forces afin de retrouver un tueur en série qui s'attaque aux membres de la communauté du hockey. Ce scénario met donc en oeuvre de nombreux stéréotypes sur les « Deux solitudes », comme les nomme Hugh MacLennan dans le roman du même nom, qui reposent souvent sur le lexique canadien anglophone et francophone. Un mauvais sous-titrage, souvent dû à la méconnaissance de la culture source, peut donc engendrer des erreurs culturelles et ainsi nuire à l'humour de l'oeuvre cinématographique. Après avoir apporté un éclairage théorique sur la traduction de l'humour en général et dans le domaine audiovisuel en particulier, cet article a pour objectif de répertorier les principales erreurs commises dans les sous-titres du DVD sorti en Europe en 2008 en fonction de la classification des blagues établie par Patrick Zabalbeascoa et de montrer dans quelle mesure elles nuisent à l'humour de la version originale.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,319
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0030,003
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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 Opus0,021
Tête enseignante GPT0,281
Écart entre enseignants0,260 · 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 tête enseignante, pas un consensus.

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

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueORBi UMONSMême sujetLinguistic and Sociocultural StudiesTravaux en français237 207