Bibliographic record
Abstract
L’hétérolinguisme, en dépit d’une présence quasi constante dans l’histoire de la littérature, n’a été que rarement pris en compte par la traductologie. Si les chercheurs l’envisagent, c’est presque toujours pour en avouer l’intraduisibilité. Il se présente généralement comme une voie sans issue où la traduction ne peut que se fourvoyer. Mais que se passe-t-il si l’on cesse de le considérer uniquement en tant que problème ? Cet article tente de démontrer en quoi les textes hétérolingues, tout en remettant en cause le présupposé monolingue sur lequel se fonde la conception littéraire traditionnelle, ouvrent à une pensée et à une pratique alternatives de la traduction. Cette étude retrace tout d’abord l’histoire de l’hétérolinguisme littéraire, examine ensuite la relation entre écriture hétérolingue et traduction, et se penche enfin sur le devenir de l’hétérolinguisme en traduction. Partant des romans Temps de chien (2001/2003) de Patrice Nganang et Verre cassé (2005) d’Alain Mabanckou et de leurs versions anglaise, espagnole et italienne, ce dernier temps de l’étude propose une analyse des stratégies de traduction de l’hétérolinguisme. Loin de s’avérer un défi impossible, la traduction peut faire résonner la trame des langues du texte de départ, mais à condition de quitter son paradigme monolingue.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.015 |
| Scholarly communication | 0.006 | 0.009 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.004 |
| Insufficient payload (model declined to judge) | 0.011 | 0.002 |
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".