Écrire la non-binarité en français grâce à la traduction audiovisuelle : le pronom « they » dans quelques séries contemporaines
Bibliographic record
Abstract
Certaines personnes ne se reconnaissant pas dans les deux genres traditionnels, on observe en anglais comme en français une demande pour une plus grande représentativité des personnes non binaires dans le langage. Les anglophones disposent du pronom « they », mais le français a dû trouver des formes linguistiques nouvelles comme le mot-valise « iel », pronom qui a occasionné des protestations lors de son entrée dans Le Robert en ligne en novembre 2021. Cet article étudie des cas concrets d’emploi du pronom « they » dans des séries contemporaines pour analyser comment les adaptateur·rices sont parvenu·es à dégenrer la langue en français, et proposer un ensemble de stratégies réemployables. Les entretiens conduits avec ces professionnel·les éclairent un moment précis (2018-2020) où un phénomène linguistique était observable en anglais mais ne trouvait pas d’équivalent répandu en français et où les ressources théoriques manquaient. L’analyse commence par deux cas où « they » est employé pour cacher le genre d’un personnage ; elle se poursuit avec des personnages non binaires, notamment quand iels demandent à ce que leur pronom de préférence soit employé. L’article finit sur un éloge de l’hétérogénéité en traduction, dans la lignée des écrits de Grunenwald ou Venuti.
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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.011 | 0.006 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 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".