L'erreur culturelle dans le sous-titrage européen du film bilingue Bon cop bad cop d'Erik Canuel et ses effets sur l'humour
Bibliographic record
Abstract
Le film d'action Bon cop bad cop, réalisé par Erik Canuel en 2006, est unique en son genre, car il s'agit d'une comédie bilingue qui comporte des dialogues non seulement en anglais, mais aussi en français canadien. Le ressort comique principal repose sur l'affrontement entre Martin, un policier ontarien très scrupuleux incarné par Colm Feore et David, un policier québécois aux méthodes peu orthodoxes incarné par Patrick Huard. Tout les oppose et pourtant ils doivent unir leurs forces afin de retrouver un tueur en série qui s'attaque aux membres de la communauté du hockey. Ce scénario met donc en oeuvre de nombreux stéréotypes sur les « Deux solitudes », comme les nomme Hugh MacLennan dans le roman du même nom, qui reposent souvent sur le lexique canadien anglophone et francophone. Un mauvais sous-titrage, souvent dû à la méconnaissance de la culture source, peut donc engendrer des erreurs culturelles et ainsi nuire à l'humour de l'oeuvre cinématographique. Après avoir apporté un éclairage théorique sur la traduction de l'humour en général et dans le domaine audiovisuel en particulier, cet article a pour objectif de répertorier les principales erreurs commises dans les sous-titres du DVD sorti en Europe en 2008 en fonction de la classification des blagues établie par Patrick Zabalbeascoa et de montrer dans quelle mesure elles nuisent à l'humour de la version originale.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.008 | 0.005 |
| Scholarly communication | 0.009 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.016 | 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".