Le lexique des jeunes des cités dans Kiffe kiffe demain : choix traductifs en arabe, espagnol et néerlandais
Bibliographic record
Abstract
Dans la mesure où l’emploi de la langue des jeunes des cités est considéré comme un des traits stylistiques essentiels de la littérature de banlieue, l’étude de la traduction des romans beurs s’intéresse nécessairement à cette variété linguistique. Dans cette contribution, nous nous pencherons sur les éléments lexicaux propres à la langue des jeunes des cités dansKiffe kiffe demainde Faïza Guène en traductions arabe, néerlandaise et espagnole. Concrètement, nous examinons les stratégies appliquées par les traducteurs dans 62 passages où apparaissent 21 mots appartenant à la langue des jeunes des cités. Notre étude montre que même s’il y a une grande variété de stratégies appliquées pour les trois langues en question, la standardisation – remplacement par la langue formelle, neutre ou informelle – est la stratégie la plus représentée dans notre corpus. Étonnamment, l’équivalence sociolinguistique n’est pas un choix traductif fréquent. La non-traduction, relativement courante, se constate uniquement quand il s’agit de mots issus de la langue arabe. Les traducteurs espagnol et arabe ont peu recours aux ajouts, tandis qu’en néerlandais, cette stratégie est fréquemment employée. Enfin, nous avons pu dégager très peu de régularité en ce qui concerne les procédés linguistiques étudiés et les stratégies mises en place pour les traduire.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.004 | 0.004 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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".