Tra le (non) virgole di <i>Alla cieca</i>. Osservazioni sulla traduzione di <i>Alla cieca</i> e sul rapporto tra Claudio Magris e i suoi traduttori
Bibliographic record
Abstract
Le opere di Claudio Magris sono state tradotte in molte lingue; il primato spetta a Danubio (1986), che segnò il successo internazionale dello scrittore e germanista triestino, con ventidue traduzioni, seguono Un altro mare (1991), tradotto in quattordici lingue, e Microcosmi (1997), a quota diciassette, mentre l’ultimo romanzo Alla cieca (2005) è stato finora tradotto in sedici lingue. Oltre ad essere un autore pluritradotto, Magris nutre anche un profondo interesse per l’argomento della traduzione e in particolare per la traduzione dei suoi stessi testi, come testimonia un intenso dialogo che instaura con molti dei suoi traduttori. A questo rapporto per molti versi singolare tra l’autore e i suoi traduttori1 è dedicata la prima parte del presente contributo. Nella seconda parte ci si concentra su Alla cieca e in particolare su un tratto stilistico del romanzo, quello dei segnali interpuntivi, il cui uso viene dapprima descritto nel testo fonte e che poi si analizza nelle traduzioni inglese, tedesca e croata.1Per un’analisi più approfondita di questo rapporto rimando al mio studio Il dialogo tra autori e traduttori. L’esempio di Claudio Magris (cfr. Ivancic 2010).
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.005 | 0.006 |
| Scholarly communication | 0.010 | 0.005 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.004 | 0.005 |
| Insufficient payload (model declined to judge) | 0.052 | 0.018 |
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".