Antécédents et situation actuelle de la lexicographie de l’espagnol d’Amérique
Bibliographic record
Abstract
Les premiers glossaires de l’espagnol américain publiés avant le XIXe siècle figurent dans des ouvrages historiques et géographiques. Au XIXe siècle sont publiés des « dictionnaires de provincialismes » (souvent aussi de « barbarismes » ou « incorrections ») qui, d’un côté, enregistrent des mots désignant des réalités américaines et de l’autre, stigmatisent comme « barbarismes » les mots désignant des choses universelles pour lesquels il existait déjà un mot dans l’espagnol péninsulaire. Cette attitude des lexicographes s’explique, en grande partie, par la tradition normative et puriste de la lexicographie espagnole (et en grande partie européenne). Un nouveau type de dictionnaire, le Diccionario general de americanismos apparaît au XXe siècle. Quant à la situation générale de la lexicographie de l’espagnol d’Amérique au XXe siècle, elle présente une production très inégale, du point de vue quantitatif et qualitatif, d’un pays à l’autre. Elle a certainement besoin d’une modernisation méthodologique. Quatre nouveaux projets de dictionnaires en cours d’élaboration marquent un grand progrès dans ce sens et il faut espérer que leur exemple sera suivi par d’autres lexicographes.
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.004 | 0.007 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.018 | 0.002 |
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".