Les données orales en linguistique
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 découle