Bibliographic record
Abstract
Le Schtroumpf civil est la première traduction intégrale des Codes civils français et québécois en langue schtroumpf. Si cette démarche, clin d’œil burlesque à la centralité historique du Code civil dans la sphère francophone, est sa propre fin, cet article revient sur la réflexion théorique sur les régularités de la langue du droit qu’a exigée cette traduction. Plus que sur la langue schtroumpf originelle inventée par Peyo, elle s’appuie sur sa réinterprétation systématique par Umberto Eco, qui s’est penché à plusieurs reprises au cours de sa carrière sur une langue dont l’ambiguïté permanente devrait obérer toute compréhension, mais qui reste parfaitement intelligible pour les lecteurs. C’est, raison de l’intérêt du linguiste, que la langue schtroumpf illustre parfaitement la place prépondérante de l’activité interprétative du lecteur, et notamment le renvoi hors texte à un encodage commun des références situationnelles et textuelles qui permet la restitution du sens. Par de multiples aspects, ce fonctionnement de la langue schtroumpf rappelle des difficultés similaires soulevées par l’interprétation de la langue du droit, liées à sa clarté, à sa lisibilité et à son intelligibilité. Pour générer automatiquement la traduction des Schtroumpfs civils, une stratégie fondée sur l’apprentissage machine est mise en œuvre ; pour chaque mot susceptible d’être remplacé par schtroumpf, on demande à un modèle de langue une prédiction ; si le texte du Code et la prédiction coïncident, le mot est schtroumpfé. Ce dispositif forme une variante automatisée du test de closure, utilisé depuis les années cinquante comme outil de mesure de la lisibilité et, pour certains auteurs, de l’intelligibilité des textes. Le Schtroumpf civil, quoique ce ne soit pas son objet principal, rendrait ainsi visible le degré de proximité syntactique de la langue des législateurs et de la langue générale, une approche potentiellement nouvelle d’un des versants de l’intelligibilité du texte législatif.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.007 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.003 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.004 | 0.045 |
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; both teacher heads agree on what is shown here.
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".