Traduire pour inclure : les personnages non binaires et la langue française
Bibliographic record
Abstract
Les personnes non binaires sont de plus en plus présentes dans notre paysage médiatique et nos entourages. Leurs réalités sont toutefois encore bien mal connues du grand public et leur besoin de représentation est grand. Une présence accrue dans la littérature française permettrait à la fois de sensibiliser la population et de donner des modèles aux personnes non binaires. Comme pour l’instant peu d’oeuvres francophones mettent en scène des personnages non binaires, la traduction devient un outil intéressant d’inclusion et de visibilisation. Cependant, les défis traductifs sont nombreux lorsqu’on doit passer d’une langue peu genrée comme l’anglais à une langue beaucoup plus genrée telle que le français. Non seulement il faut trouver un équivalent aux pronoms neutres anglais, il faut aussi jongler avec la flexion des participes et des adjectifs, ainsi qu’avec tous les substantifs genrés que comporte la langue française. C’est peut-être pour cette raison que, malgré un bassin relativement vaste de textes en littératures anglophones, très peu de textes comportant des personnages non binaires sont traduits vers le français. Cet article explore différentes stratégies de traduction des pronoms neutres anglais (plus particulièrement le they singulier) et la façon d’aborder les accords de participes et d’adjectifs dans un contexte non binaire. D’abord l’évitement, qui comporte le risque d’invisibiliser les personnes mêmes que l’on veut représenter; ensuite la troisième personne masculine plurielle ( ils ) et ses accords habituels, qui rendent le texte quelque peu incongru; le on qui apporte la confusion avec sa grande polysémie; et finalement les nouveaux pronoms et les accords doubles ou neutres qui introduisent des néologismes peu connus du lectorat.
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 | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
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 teacher head, 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".