Les données orales en linguistique
Notice bibliographique
Résumé
Au sein de la communauté des Sciences du Langage, les pratiques relatives aux données personnelles liées aux corpus oraux, visées par les mesures de protection du RGPD, sont à la fois diverses et très inégales. Si certains laboratoires de recherche ont d’ores et déjà adopté des méthodologies guidées par des procédures normalisées proposées à leurs membres, dans d’autres cas, la qualité éthique et la conformité des pratiques reposent sur l’initiative individuelle des chercheur·e·s et sur leur degré de prise de conscience des enjeux. La présente contribution propose un état des lieux des principales questions éthiques et du cadrage juridique nécessaires à chaque étape de la chaîne de traitement des données orales, avant d’aborder les principaux outils et traitements informatiques qui leur sont appliqués et les risques qu’ils comportent. Ces réflexions posent les premiers jalons pour la feuille de route du groupe de travail transversal « Questions éthiques et cadre juridique » (QuECJ), mis en place au sein du consortium CorLI (CORpus, Langues et Interactions) pour accompagner la communauté vers un traitement (plus) adéquat des données et faciliter ainsi les recherches sur corpus dans le contexte légal et sociétal actuel.
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 | 0,018 | 0,069 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,008 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,012 | 0,007 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,031 | 0,009 |
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 ».