Bibliographic record
Abstract
Tradicionalment s’ha considerat que una comunitat politica necessita una llengua comuna com a base d’una cultura politica compartida, necessaria per al funcionament de les institucions democratiques, l’exercici de la solidaritat ciutadana, el foment de la igualtat d’oportunitats i la unitat, l’estabilitat i la fortalesa de l’estat. Aquesta idea va guiar la constitucio d’estats nacio com Franca, Italia o Espanya i en va legitimar les politiques d’assimilacio linguistica. I tambe es present en la construccio d’estats federals, com els mateixos EUA. Ara be: en el cas de les federacions constituides pel pacte entre demoi amb llengues diferents aquest no hauria de ser necessariament el model, ja que el sistema federal facilita l’acomodacio de la diversitat. Pero quina es la realitat? Quantes federacions tenen llengua comuna? Per que algunes en tenen i unes altres no? La manca d’una llengua comuna impedeix d’aconseguir els objectius politics amb que se l’ha relacionat? El meu corpus d’estudi son les federacions i prenc com a punt de partida les que recull el Forum de Federacions en el seu web. En primer lloc les caracteritzo segons la seva diversitat linguistica de iure (llengues oficials en el nivell federal) i de facto (llengues que es parlen a la federacio i percentatge de parlants de les principals). En segon lloc defineixo el concepte de llengua comuna d’acord amb unes determinades consideracions, per establir quantes federacions actuals tenen llengua comuna. A continuacio descric les funcions politiques que la normativa associa a la possessio d’una llengua comuna i les causes per les quals un percentatge significatiu de federacions no en tenen. Finalment, analitzo els tres casos de federacions que funcionen tant de iure com de facto sense llengua comuna (Belgica, Canada i Suissa) amb l’objectiu d’explorar si aquesta mancanca pot estar relacionada directament amb els seus nivells de participacio democratica, solidaritat, igualtat d’oportunitats o estabilitat politica.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.007 | 0.010 |
| Scholarly communication | 0.011 | 0.008 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.030 | 0.005 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".