La fréquence de l’alternance codique dans les groupes WhatsApp des étudiants libanais
Notice bibliographique
Résumé
Les moyens de communication médiée par ordinateur (CMO) et spécifiquement l’application WhatsApp, ont mené à des pratiques langagières innovantes au niveau de la communication écrite. Parmi ces pratiques, le recours à l’alternance codique (AC), qui est définie dans cette étude, comme un passage d’un code écrit à un autre au sein du même message. Cette étude quantitative visait à identifier automatiquement les occurrences de l’alternance codique dans les discussions de groupes WhatsApp durant 14 mois. Nous avons collecté 168 219 messages dans 30 groupes WhatsApp. L’échantillon de l’étude comprend 1 482 étudiants bilingues issus de 7 établissements universitaires libanais. Un outil informatique ‘DACA’ (détection automatique de l’alternance codique et l’arabizi) a été développé pour détecter la fréquence de ce phénomène résultant du contact des langues. Les résultats montrent que dans le corpus il y a 15 342 occurrences de l’AC soit 9,1% du total des messages. 70,5% de ces ACs sont détectés dans les messages en arabizi et 17,9% dans les messages en anglais, 10,6% dans les messages en arabe et 1% dans les messages en français. Les résultats ont montré aussi que les ACs dans les messages composés en arabizi sont assez souvent vers l’anglais (91,3% du total de ces ACs) et vers l’arabizi dans les messages composés en anglais avec le même pourcentage.
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 | 0,001 | 0,001 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 ».