Une machine à métisser ou le dialogue des traducteurs : traduction et interprétations d'un conte tsigane
Bibliographic record
Abstract
La realisation d'un cederom plurilingue, declinant le meme conte (Miklos fils de jument) dans ses variantes (Jan de l'ours), avec la langue romani comme langue de au cœur de la variation, ouvre a une reflexion sur la traduction. La traduction d'un conte peut-elle etre un moteur pour apprendre des langues ? En Romani, traduire se dit paruvel, echanger, ou changer. La traduction d'un conte est a la fois pret et echange, interpretation plurielle et polyphonique, entre l'ecriture, le son et l'image, un intervalle de creation. Depuis sept ans, l'experimentation autour de ce projet suscite la generosite des createurs : Cinq conteurs professionnels ont enregistre leur interpretation personnelle. Des etrangers et des enfants ont invente des variantes dans differents groupes d'apprentissage du francais. Des traducteurs europeens les ont traduits. Des artistes ont propose leurs images. Ces parcours se croisent en une multiplicite de contes semblables et differents. Les motifs des contes, graves en icones, imprimes en couleurs, repetes et disposes en tableaux, analysent les variantes du conte. Metaphore de la toile et du tissage, l'ordinateur est une autre memoire, stratifiant les ecrans, superposant les themes en patchworks tisses de liens, brodes ou cousus par les mots a inventer, les listes a completer, les histoires a raconter. Cette these analyse la multiple variation de l'image et de l'imaginaire, dans la repetition du meme motif eclaire differemment par chaque conteur, sans jamais se laisser figer. Le cederom illustre l'idee que le conte est un cadre abstrait de narration, un objet metis qui traverse les cultures.
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 | 0.003 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.006 |
| Scholarly communication | 0.009 | 0.010 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.015 | 0.006 |
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".