Les apports et les limites de la Banque de données textuelles de Sherbrooke au regard de la description lexicographique du français en usage au Québec
Notice bibliographique
Résumé
La présente thèse vise à montrer les apports et les limites de la Banque de données textuelles de Sherbrooke (BDTS) au regard de la description lexicographique du français en usage au Québec (FUQ).La BDTS est un corpus de plus de 52 millions d'occurrences, tirées de textes représentatifs des discours spécialisés, littéraires, journalistiques, didactiques et oraux du FUQ. Cette étude s'appuie sur la pratique d'une linguistique à base de corpus et vise à connaître les avantages que procure l'exploitation de corpus à des fins lexicographiques et les difficultés découlant d'une telle démarche. Dans un premier temps, les apports et les limites de la BDTS ont été mis en lumière au regard de l'élaboration d'une nomenclature d'un ouvrage décrivant le FUQ.La liste des vocables de la BDTS a été comparée avec les nomenclatures de dictionnaires français et québécois. De cette comparaison il est ressorti que, en plus d'actualiser dans le discours les mots déjà relevés dans les ouvrages, la BDTS ajoute bon nombre de mots nouveaux non répertoriés dans les dictionnaires. Un certain nombre de mots consignés dans les ouvrages de référence ne sont par contre pas attestés dans la Banque, ce qui a fait ressortir les limites du corpus. Dans un deuxième temps, les apports et les limites de la BDTS ont été observés au regard de la description lexicographique (sémantique, combinatoire, etc.) d'un échantillon aléatoire de 25 mots de fréquence variée. Les éléments extraits des contextes de la BDTS ont été comparés avec ceux présents dans les articles lexicographiques de dictionnaires français et québécois. Il est ressorti que l'essentiel des informations (acceptions, expressions, etc.) des dictionnaires se trouve dans la BDTS, à l'exception de quelques emplois, souvent spécialisés, vieillis ou peu courants. En plus d'attester les données des ouvrages, la Banque ajoute des données originales, surtout sur le plan des cooccurrents. Enfin, cette recherche s'est conclue par une validation des résultats dans la version mise à jour de la BDTS; il est apparu que le corpus élargi fournit peu de nouvelles données par rapport à ce qui est déjà décrit dans les dictionnaires et déjà attesté dans le corpus de base. Selon cette étude, l'exploitation de la BDTS apparaît comme essentielle à la description lexicographique du FUQ, surtout de la langue générale en synchronie.
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 | 0,005 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,011 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».