La traduction du vernaculaire noir : l’exemple de Zora Neale Hurston
Bibliographic record
Abstract
La traduction du vernaculaire noir : l'exemple de Zora Neale Hurston — La traduction du vernaculaire noir exige du traducteur une grande part de créativité. Le cas de la romancière et anthropologue Zora Neale Hurston en fournit un bon exemple. Capturant avec le même bonheur le rythme traînant des dialectes du Sud et le feu d'artifice verbal des marlous newyorkais, l'accent des fermiers du Delta ou des ouvriers itinérants, elle restitue une langue et une culture forgées par une vision tantôt folklorique tantôt biblique du monde qui permettait aux Noirs d'affirmer de manière codée leur résistance à l'oppression blanche. Ses oeuvres sont narrées dans un anglais classique, seuls les dialogues sont transcrits phonétiquement. Du point de vue du traducteur, l'auteur utilise non pas une langue « correcte » et un anglais dialectal mais deux langues différentes qu'elle place sur pied d'égalité : le texte classique mais nourri des traditions langagières noires de la narration, et le « parler noir » des dialogues qui situe chaque protagoniste en fonction de ses appartenances sociales et régionales. Le traducteur doit pouvoir reconnaître les subtiles techniques stylistiques de la narration afin d'en trouver l'équivalent en français. Et pour pouvoir rendre la langue traînaillante des dialogues, langue qui invente sa propre grammaire, joue des redondances et des métaphores, mêle argot et termes savants, survivances des langues africaines et anglais élizabethain, il doit « inventer » une langue qui permette de rendre visuellement le rythme, les accents et les inventions verbales du Black English.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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 teacher head, 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".