Сравнительный анализ использования феминитивов в современных развлекательных медиа (на примере английского, итальянского и русского языков)
Notice bibliographique
Résumé
Данная работа посвящена изучению употребления феминитивов-неологизмов на материале развлекательных СМИ в медиадискурсе трёх языковых систем, рассматриваются социолингвистические и словообразовательные аспекты. Задачи, которые решались в ходе исследования: 1. Проанализировать предпосылки и тенденции употребления феминитивов в аспекте социолингвистических исследований. 2. Рассмотреть основные аспекты изучения феминитивов в лингвистических исследованиях. 3. Определить значимость фактора гендерной дифференциации для носителей разных языков и культур, выявить универсальные и культурно-специфичные тенденции развития феминитивов. 4. Определить основные характеристики и границы феминитивов как лексико-семантической группы. 5. Изучить механизмы образования феминитивов-неологизмов. 6. Проанализировать функционирование феминитивов-неологизмов в современном медиадискурсе и выявить коммуникативно-прагматические и стилистические особенности их употребления в данном типе дискурса. В ходе работы рассмотрены социокультурные и лингвистические предпосылки к развитию неофеминитивов, способы их словообразования. Материалом для сравнительного анализа послужили развлекательные медиа двух типов – гендерно-ориентированные (русскоязычные «Горящая изба», «Woman.ru», итальяноязычные «Vanity Fair Italia», «IO Donna», англоязычные «Vogue» и «Elle Canada») и СМИ общего типа (русскоязычные «The Blueprint», «НОЖ»; итальяноязычные «Il Post», «Fanpage», англоязычные «Vice», «The Cut»). В результате были выделены общие и частные тенденции использования феминитивов. Собран вручную корпус из 15078 контекстов, статистически подсчитана частотность употребления выбранных для анализа номинаций, определены выполняемые ими в контексте функции. Примеры и контексты употребления лексем отобраны методом сплошной выборки за период с 2020 по 2025 год. Для этого применялся поиск по ключевым словам.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,006 |
| Communication savante | 0,012 | 0,006 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,045 | 0,014 |
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 ».