Notice bibliographique
Résumé
Cet article expose la création d’une base de données de régimes généralisés du français nommée CARNAVAL. La notion de régime lexical (aussi connu sous le nom de schéma valenciel, structure argumentale, cadre de sous-catégorisation, structure prédicats-arguments, etc.) utilisée ici se situe du point de vue de la théorie linguistique Sens-Texte (TST). Cette théorie a une approche de la langue qui accorde une place primordiale au lexique ainsi qu’à divers types de dépendances. Pour une présentation générale de cette théorie, voir par exemple: Mel’čuk (1997), Milićević (2006) et Polguère (1998). Nous jugeons que cette approche, et notamment sa conception des actants ainsi que sa notion de relation syntaxique de surface permet une description rigoureuse du comportement syntaxique typique à chaque unité lexicale. Ceci permet d’inscrire de façon concise et complète, à même le dictionnaire, la co-occurrence d’une lexie avec ses actants. Nous croyons que la généralisation de ce type d’information peut notamment avoir des applications en traitement automatique de la langue et en didactique. C’est dans cette optique que nous entamons la construction de la base CARNAVAL. La Section 1 de notre exposé sert d’introduction et dresse un portrait rapide de la façon dont il est possible de traiter du comportement syntaxique des unités lexicales dans une perspective de description lexicographique. La Section 2 est consacrée à la présentation du cadre théorique de cette recherche ainsi que des objectifs qu’elle vise. La Section 3 expose la démarche qui nous a permis d’identifier un certain nombre de relations syntaxiques de surface régies du français. La description de ces dépendances est ensuite fournie. La Section 4 présente d’abord de façon générale la base CARNAVAL. Par la suite, afin de permettre au lecteur de pouvoir bien percevoir la modélisation des régimes que nous avons conçue, un extrait de la base en construction est également donné. Finalement, la Section 5 sert de conclusion.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,016 | 0,014 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,010 | 0,017 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,034 | 0,011 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».