La norme juridique et la langue: histoire d’une intimité renforcée
Bibliographic record
Abstract
Le droit et la linguistique entretiennent des rapports extrêmement étroits. Pour qui tente d’élucider le concept même de droit, il est impossible de faire l’économie d’une appréhension linguistique du phénomène juridique. Le phénomène normatif est en effet pour l’essentiel un phénomène linguistique. Certes, le droit repose sur le recours à la force publique pour assurer en dernier recours sa mise en œuvre. Toutefois, bien que ce recours à la force soit parfois indispensable, il n’est pas dans la majorité des situations nécessaire. L’obéissance repose la plupart du temps sur l’expression seule de la norme et de ses attributs par le langage, à égalité avec le comportement collectif. Si la langue est ainsi le vecteur prépondérant quoique non exclusif du droit, il n’est pas étonnant que la tendance du Prince soit de contrôler celle-ci, qu’il s’agisse d’en maîtriser le contenu – tel que le vocabulaire ou la grammaire – ou plus largement l’usage. Or ce contrôle conduit à l‘époque contemporain à l’émergence d’un véritable contentieux des langues. Déjà observée par Jean-Louis Calvet sur le terrain social, la « guerre des langues » sera peut-être, à l’heure où la communication numérique bouleverse les sociétés politiques, l’un des phénomènes majeurs du XXIe siècle.
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 | 0.003 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.006 | 0.038 |
| Scholarly communication | 0.010 | 0.008 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
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".