Étude statistique sur corpus de l’alternance que / Ø en français parlé : quel est l’effet de la proximité communicationnelle ?
Notice bibliographique
Résumé
L’alternance entre séquence syndétique (je pense qu’il ne va pas venir) et asyndétique (je pense Ø c’est à onze heures) a été étudiée quantitativement en anglais (Jaeger, 2010) et en français québécois (Liang et al., 2021), mais pas en français métropolitain. Ainsi, en se concentrant sur les verbes croire et penser regroupés dans la catégorie des verbes « recteurs faibles », cet article présente une étude quantitative menée sur deux corpus de français parlé : le MPF (« Multicultural Paris French ») et le CEFC (« Corpus d’étude du français contemporain »). 1 249 occurrences de ces verbes ont été annotées manuellement pour un ensemble de facteurs linguistiques (personne, catégorie des sujets, présence de la négation, etc.) et non linguistiques (proximité / distance communicationnelle). À l’aide d’un modèle de régression logistique, la significativité d’un ensemble de facteurs hétérogènes dans le choix de construction est démontrée. Un intérêt particulier est porté sur le facteur communicationnel : les échanges caractérisés par la proximité et la connivence affichent une plus grande proportion de constructions asyndétiques.
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 | 0,006 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,009 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».