Les déterminants traductifs dans les champs source et cible : le cas du roman policier traduit de l’américain en français en Série Noire après 1945
Bibliographic record
Abstract
Les relations qu’entretiennent la littérature comparée et la traductologie sont délicates et cet article propose d’envisager la question en analysant un cas, celui du roman policier américain traduit dans la culture française à partir de 1945 en Série Noire (Gallimard). Le courant du roman policier hard-boiled de Dashiell Hammett et, plus tard, de Raymond Chandler est né dans le pulp Black Mask à partir de 1922. Un bref historique des pulps montre que les récits publiés dans ces revues au papier bon marché devaient répondre à des exigences strictes. Après avoir esquissé les habitus de Hammett et de Chandler, est analysée la façon dont Marcel Duhamel acclimate les auteurs hard-boiled américains dans la Série Noire et dont le champ français du roman policier conditionne les textes. Il apparaît que la concurrence directe entre la Série Noire et la collection Un Mystère des Presses de la Cité est également l’un des déterminants majeurs de la traduction du roman de « durs-à-cuire », comme le montrent des documents d’archives de la Série Noire. Le roman policier traduit illustre comment la traduction est partout dans le passage traductif, aussi bien dans le champ source que dans le champ cible et que le paradigme de la traduction est un élément incontournable dans l’analyse des contacts entre littératures.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.005 | 0.005 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".