Traduire la non-binarité et l’altérité de genre en science-fiction
Bibliographic record
Abstract
La fluidité de genre et la non-binarité sont répandues dans les univers de science-fiction. Les auteur·ice·s profitent de la diversité offerte par le genre pour expérimenter avec les graphies, les accords et les pronoms. Cette diversité est adressée de plusieurs façons : la neutralité des protagonistes non-binaires, les êtres sentients robotiques, ou encore les êtres extraterrestres dont les corps et les cultures n’ont aucune conception de la binarité des corps humains. La créativité des auteur·rice·s exige des traducteur·rice·s et des éditeur·rice·s de se positionner sur comment rendre l’étrangéité du texte de départ (des néologismes aux structures socioculturelles et politiques) dans le texte d’arrivée, en ce qu’elle mène à des propositions non standardisée. Dans cet article, nous explorerons la diversité des propositions pour représenter la non-binarité et la neutralité de genre en science-fiction. Pour cela, nous nous concentrerons sur l’analyse comparative des séries Murderbot Diaries de Martha Wells et Monk and Robot de Becky Chambers, accompagnées de leurs traductions en français. Nous contextualiserons cette analyse en explorant les façons dont les auteur·rice·s anglophones et francophones abordent le genre et la non-binarité dans les œuvres.
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 | 0.005 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.008 | 0.035 |
| Scholarly communication | 0.012 | 0.008 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.009 | 0.002 |
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".