Le rôle de l'analyse critique du discours dans la traduction des textes politiques : analyse du discours du président Trump autour de la question nucléaire d'Iran
Bibliographic record
Abstract
La notion d’idéologie figure parmi les principaux facteurs qui ont un impact sur l’esprit des traducteurs lors de la production du texte cible. L’analyse critique du discours (ACD) est souvent utilisée pour analyser le discours politique afin de découvrir l’idéologie de l’orateur. En adoptant l’analyse critique du discours et en mettant particulièrement l’accent sur le cadre théorique de Hatim et Mason (1990, 1991, 1997), la présente étude a pour objectif de révéler la relation entre la langue et l’idéologie impliquées dans la traduction, de découvrir les hypothèses idéologiques sous-jacentes dans les textes source et cible, et de déterminer si les idéologies des traducteurs sont imposées ou non dans leurs traductions. Pour ce faire, nous analyserons la traduction en persan du discours du président Trump lors de son retrait de l’accord nucléaire iranien. Afin d’indiquer les orientations idéologiques du traducteur, l’étude s’est principalement concentrée sur deux caractéristiques textuelles, à savoir la transitivité et la lexicalisation. Mots-clés : traduction, idéologie, analyse critique du discours, discours politique.
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 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.005 | 0.012 |
| Scholarly communication | 0.008 | 0.006 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.007 | 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".