La composante russe du Nadsat et ses métamorphoses en français, en russe et en bulgare
Bibliographic record
Abstract
Le présent article traite des problèmes particuliers que pose la composante russe dans la traduction du Nadsat, l’argot qu’Anthony Burgess a inventé pour les jeunes voyous de son roman dystopiqueA Clockwork Orange(1962). Celui-ci se range parmi les meilleurs romans écrits en anglais. Le russe est la composante dominante du Nadsat. Exotique pour un anglophone, il pose de sérieux problèmes en traduction, surtout si celle-ci se fait vers le russe ou vers une autre langue slave, comme le bulgare. L’analyse partira des motifs qui ont poussé Burgess à doter ses personnages de ce langage crypté et à choisir le russe pour le forger. Seront détaillées la composition de cette couche lexicale et son incorporation à l’anglais pour étudier par la suite les solutions qu’ont trouvées les traducteurs vers le français, le russe et le bulgare pour reproduire l’effet de ce lexique russifié dans leurs traductions. Nos observations porteront sur la traduction française de Georges Belmont et Hortense Chabrier, parue en 1972 sous le titreL’Orange mécanique, sur celles, vers le russe, de Vladimir Bošnâk et d’Evgenij Sinelʹŝikov, toutes deux parues en 1991, ainsi que sur les deux versions de la traduction bulgare de Mariana Ekimova-Melniška, publiées respectivement en 1991 et en 2009.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.004 | 0.006 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.000 | 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".