L'application du modèle de l'Imaginaire linguistique à des corpus écrits : le cas des chroniques de langage dans la presse québécoise
Bibliographic record
Abstract
Cet article porte sur le modèle de l’Imaginaire linguistique, développé dès les années 1980 par Anne-Marie Houdebine. Il a pour objectif de montrer comment ce modèle, conçu dans le but de mieux comprendre le rôle que jouent les attitudes linguistiques des locuteurs dans l’évaluation de leurs usages et de ceux des autres, peut servir à analyser la façon dont sont construits les discours portant sur la norme en matière de langue. Nous montrerons plus précisément comment nous nous sommes servi du modèle pour analyser un type de discours normatif particulier, les chroniques de langage, c’est-à-dire des séries d’articles consacrés à la langue et publiés dans des journaux. Il s’agira d’illustrer comment le modèle d’Houdebine nous a permis d’établir une grille d’analyse permettant d’inventorier et d’étudier les différents arguments dont les chroniqueurs se servent pour évaluer l’acceptabilité des faits de langue qu’ils commentent. Par ailleurs, nous proposerons une réflexion critique au sujet du modèle à la lumière de notre analyse, notamment dans le but de l’enrichir. Notre analyse porte sur un corpus composé de 31 chroniques de langage publiées dans la presse québécoise entre 1865 et 1996.
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 | 0.004 | 0.016 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.010 | 0.006 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.015 | 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".