De la politesse hybride à la traduction littéraire : Temps de chien de Patrice Nganang
Bibliographic record
Abstract
Le roman camerounais reflète le paysage, les moeurs, l’histoire, les manières de dire la vie, en bref, la société du Cameroun contemporain. La langue parlée par les personnages, le français (camerounais), est à l’image de l’hétérogénéité socioculturelle, sociolinguistique, socioéconomique et sociopolitique du pays, remarquable à travers les manières d’exprimer une politesse, essentiellement hybride en raison du métissage langagier et culturel qui en sous-tend le fonctionnement. Ainsi, la politesse à la camerounaise pose des problèmes de traduction. Il serait alors intéressant de savoir si et comment cette spécificité linguistique et culturelle est prise en charge par le traducteur. Nous interrogerons à cet effet les traductions allemande et anglaise du roman Temps de chien de Patrice Nganang, avec une attention particulière pour les formes d’adresse. L’analyse de quelques exemples révèle que le terme de déférence chef (employé envers les policiers et autres membres des forces de l’ordre) et les termes affectifs asso, mola et tara posent effectivement d’énormes problèmes de traduction en allemand et en anglais. Des défis que le traducteur pourrait relever, à condition de puiser, entre autres, dans des connaissances sociopragmatiques.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.010 | 0.008 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.012 | 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".