Du pastiche imaginaire de traduction chez Raymond Queneau : le cas de On est toujours trop bon avec les femmes
Bibliographic record
Abstract
À la frontière des études littéraires et de la traductologie, cet article étudie la dimension pastichielle de traduction dans On est toujours trop bon avec les femmes de Raymond Queneau, prétendument traduit de l’irlandais vers le français. La présente étude cherche à déterminer comment le pseudo-traducteur s’y prend afin d’aveugler et de persuader son lecteur que le texte qu’il tient entre les mains est une véritable traduction. Le postulat repose sur la base du principe qu’il existe une corrélation entre le pastiche littéraire, qui consiste, grosso modo, à imiter à saturation le style d’un auteur singulier, et la pseudo-traduction, qui désigne un texte présenté comme s’il avait été traduit. En effet, il appert que On est toujours trop bon avec les femmes, en tant que « pastiche imaginaire », répond par essence au critère de saturation du pastiche littéraire tel que l’entend Gérard Genette. Considérant cela, il y a tout lieu de croire que la dimension « pastichielle » de cette pseudo-traduction, laissant présager qu’il y a foncièrement une véritable traduction sous-jacente, se manifeste par la mise en place d’empreintes de traduction, ou d’étrangetés, saturant le texte. La visée de cette étude est donc de révéler ces empreintes dans l’architectonique du roman, en y observant attentivement les divers éléments potentiellement saturés et conditionnels à la crédibilité du canular.
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 | 0.001 |
| Science and technology studies | 0.011 | 0.008 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 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".