Traduire l’autisme en littérature jeunesse : entre normes et subversion
Bibliographic record
Abstract
La littérature jeunesse accordant une place importante à l’exploration de l’identité et de l’altérité, on constate une diversification de ses personnages depuis la fin du XXe siècle avec notamment une présence accrue de protagonistes autistes; le monde anglophone étant à la pointe du sujet, la traduction devient centrale dans la diffusion de ces récits relevant de la neurodiversité. L’étude de ces représentations et de leur traduction en littérature jeunesse implique nécessairement d’aborder la question de la subversion. De par leur neurodivergence, les personnages autistes interrogent les normes : neuronales, sociales, linguistiques et éditoriales. Cet article aborde dans un premier temps le type de représentations existant dans cette littérature, avant de se pencher sur la façon dont elles sont traduites. Il en ressort plusieurs spécificités traductives en lien avec la terminologie, la syntaxe et le rythme, entre autres. Ces spécificités s’inscrivent plus largement dans la poétique autistique élaborée par Julia M. Rodas (2018), qu’elle découpe en six catégories : l’apostrophe, le discernement, la décharge, l’invention, le ricochet et le silence. Traduire cette poétique autistique invite à remettre en question les règles d’une grammaire normative, ainsi que les principes traditionnellement dominants en édition jeunesse qui privilégient la lisibilité du texte source pour en assurer une réception facilitée auprès du jeune 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 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 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.003 | 0.005 |
| Scholarly communication | 0.004 | 0.004 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 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".