What can be learned about the grammar of French from corpora of French spoken outside France
Notice bibliographique
Résumé
This paper looks at some questions which were considered quite differently before corpora became the ordinary way to describe languages, focusing on the following points: a) Our ultimate objective is to document how wide-reaching the appellation “French” can be, given the extent of variation found in the corpora: is it possible to document the whole variational span of “the French language”, in what Chaudenson (2003: 182) would call “the limits of intra-linguistic variability of French”? b) Are there grammatical phenomena which could be looked at differently and analysed using corpora? c) Is it possible to generalise in an explanatory perspective, and to determine something of the principles which lie behind the difference between standards and vernaculars? d) The discussion of ordinary and non-standard data, mostly spoken (only occasionally written) will lead me to consider if it is possible to qualify vernacular varieties as such, in what Chambers called in 2000 “universal sources of the vernacular” and in 2003 “vernacular roots”; and what I shall choose to call here “vernacular re- source” (see the concluding remarks in section 3). The linguistic variation data which will be looked at in sections 1 and 2 are primarily diatopic, and occasionally diastratic: they mostly come from geographically “periphercal” French (mostly North American) and socially “marginal” French, which means here ways of speaking which have been subjected to / been the target of (albeit sometimes in a limited way) normative pressures, as is the case for ordinary spoken French, “popular French”, youth language, child language, and different types of urban or rural vernaculars.
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 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,006 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,010 | 0,009 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».