Notice bibliographique
Résumé
Nous étudions, dans cet\n\t\t\t\t article, l’utilisation d’un ensemble\n\t\t\t\t de marqueurs discursifs (MD)\n\t\t\t\t dans le parler occitan de SénaillacLauzès (Lot, France) à partir d’un\n\t\t\t\t corpus oral enregistré. L’occitan\n\t\t\t\t étant une langue depuis des\n\t\t\t\t siècles en situation de diglossie,\n\t\t\t\t les locuteurs utilisent des marqueurs discursifs propres à leur\n\t\t\t\t langue, mais aussi des marqueurs\n\t\t\t\t discursifs du français. De ce point\n\t\t\t\t de vue, la situation de l’occitan par\n\t\t\t\t rapport au français est comparable, par exemple, à celle du chiac\n\t\t\t\t (variété de français de l’est du Nouveau-Brunswick) par rapport à\n\t\t\t\t l’anglais. Nous proposons un inventaire des principaux MD présents dans le corpus en les classant par catégories: MD du français, MD autochtones non propositionnels, MD autochtones propositionnels. Nous tenterons également d’en déterminer le rôle et/ou\n\t\t\t\t le sens en apportant une attention\n\t\t\t\t particulière aux propositions parenthétiques, telles que ’acha! ‘regarde’; ’mageni! ‘j’imagine!’;\n\t\t\t\t ’qu’apèlon ‘ils appellent ça’; comprenètz! ‘vous comprenez!’; pensi\n\t\t\t\t ben ‘je pense bien’; pensètz ben\n\t\t\t\t ‘vous pensez bien’…
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 tête enseignante, 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 ».