Prédicats et quasi-prédicats sémantiques dans une perspective lexicographique
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
La notion de prédicat sémantique permet de distinguer deux classes de sens lexicaux, ou sémantèmes : 1) les prédicats, qui tous dénotent des faits, au sens le plus large (évènements, actions, activités, états, caractéristiques, relations, etc.), et 2) les noms sémantiques, qui dénotent des entités au sens large (êtres vivants, objets physiques, substances, etc.). Nous nous intéressons tout particulièrement au fait qu’il existe une troisième classe de sémantèmes, ni prédicats véritables ni noms sémantiques : il s’agit des quasi-prédicats. Ces derniers dénotent, tout comme les noms sémantiques, des entités et non des faits. Cependant, comme les prédicats, ils ne peuvent être modélisés sans tenir compte de positions actancielles qu’ils contrôlent. L’ensemble des quasi-prédicats d’une langue est très hétérogène, et chaque type de quasi-prédicat pose ses propres problèmes au niveau de la modélisation. Nous examinons différents types de quasi-prédicats présents dans les langues, en adoptant une perspective lexicographique. Plus précisément, nous nous situons dans le cadre de la Lexicologie Explicative et Combinatoire, en empruntant nombre de nos illustrations aux données de la base lexicale DiCo des dérivations sémantiques et collocations du français ainsi qu’aux données publiées dans le Lexique actif du français.
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.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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 it