Gouverner par la traduction au Canada : le cas des discours sur le budget
Bibliographic record
Abstract
Koskinen soutient que la fonction centrale d’une institution, c’est la gouvernance (2014: 481), et que les institutions multilingues ont recours à la traduction pour gouverner. Ce besoin de gouverner par la traduction crée une pratique de traduction particulière. C’est à partir de ce point de vue que nous analyserons les discours sur le budget du gouvernement fédéral de 1970 à 1995. Pour étudier les textes politico-budgétaires de notre corpus, nous adopterons l’approche de l’analyse critique du discours, qui a pour ambition d’informer le grand public à propos des relations de pouvoir, souvent dissimulées dans les situations communicationnelles (Fairclough, 2015 [1989]). Nous nous interrogerons notamment sur les éventuelles divergences entre les allocutions françaises et anglaises du corpus. Ces divergences évoquent-elles une lutte de pouvoir entre les deux communautés linguistiques? Pour repérer les marqueurs idéologiques du corpus, nous relèverons, à l’aide d’une analyse semi-automatisée, les occurrences des lemmes Canada dans les textes originaux anglais et leur traduction française. Pour effectuer ce forage textuel, nous utiliserons des concordanciers bilingue et unilingue. Dans nos travaux précédents, notamment effectués sur la traduction de messages télévisés, la traduction des lemmes Canada laissait entrevoir une lutte de pouvoir entre le discours nationaliste québécois et le discours nationaliste pan-canadien. La présente étude montrera que ce type de lutte de pouvoir est encore présent dans les discours sur le budget, avec certaines différences.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.005 |
| Science and technology studies | 0.015 | 0.013 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.003 |
| 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".