Notice bibliographique
Résumé
Donald Trump's speeches and messages are characterized by terms that are commonly referred to as "thick" or "emotive", meaning that they are characterized by a tendency to be used to generate emotive reactions.This paper investigates how emotive meaning is related to emotions, and how it is generated or manipulated.Emotive meaning is analyzed as an evaluative conclusion that results from inferences triggered by the use of a term, which can be represented and assessed using argumentation schemes.The evaluative inferences are regarded as part of the connotation of emotive words, which can be modified and stabilized by means of recontextualizations.The manipulative risks underlying the misuse and the redefinition of emotive words are accounted for in terms of presuppositions and implicit modifications of the interlocutors' commitments.Rsum: Les discours et les messages de Trump sont caractriss par des termes couramment appels affectif et par une tendance tre utiliss pour gnrer des ractions affectives.Cet article tudie comment la signification affective est lie aux motions et comment elle est produite ou manipule.La signification affective est analyse comme une conclusion valuative rsultant d'infrences dclenches par l'utilisation d'un terme, qui peut tre reprsent et valu l'aide de schmas d'argumentation.Les infrences valuatives sont considres comme faisant partie de la connotation des mots affectifs, qui peuvent tre modifis et stabiliss au moyen de recontextualisations. Les risques manipulatoires sous-jacents l'utilisation incorrecte et la redfinition des mots affectifs sont comptabiliss en termes de prsuppositions et de modifications implicites des engagements des interlocuteurs
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».