Les réseaux socionumériques : un danger pour les langues autochtones ou des alliés pour leur revalorisation ?
Notice bibliographique
Résumé
Le présent article porte sur l’utilisation d’une langue autochtone sur Facebook et WhatsApp par de jeunes autochtones, soit des élèves du secondaire bilingues parlant le quechua et l’espagnol. Sur la base de données empiriques issues d’une étude menée de 2018 à 2020 et dans une perspective épistémologique et socio-écologique de la langue, il examine les effets des réseaux socionumériques comme nouveau scénario de risque en ce qui concerne les langues minoritaires ou comme potentiel de revalorisation. Les principaux aspects de l’étude ont trait à la plasticité du territoire de la langue autochtone, aux perceptions linguistiques et aux attitudes des jeunes élèves bilingues à l’égard de cette langue de même qu’à l’incursion de cette dernière dans l’écosystème numérique. Parmi les principales raisons qui limitent l’utilisation de la langue autochtone dans ces réseaux figurent la stigmatisation par l’environnement socioculturel à son égard, les subjectivités des jeunes quant à son utilisation et à sa convivialité ainsi que sa difficulté d’écriture sur des dispositifs électroniques. Malgré les restrictions mentionnées ci-dessus, la langue quechua est utilisée dans le cyberespace par l’entremise des réseaux socionumériques et d’Internet en général, grâce à la volonté et à l’engagement de ses locuteurs qui, en tirant parti de ces ressources numériques, sont en mesure d’étendre systématiquement les domaines d’utilisation de cette langue. Les jeunes profitent des facilités linguistiques multimodales offertes par les réseaux socionumériques pour renforcer et revitaliser une langue minoritaire. Ces réseaux montrent une écriture intuitive et progressive de la langue quechua, depuis des mots isolés jusqu’à des textes complets et complexes qui reflètent leur entrée dans la littératie numérique.
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 | 0,010 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,009 |
| Communication savante | 0,008 | 0,009 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».