Bibliographic record
Abstract
La dérivation lexicale n'est pas une opération sémantiquement neutre, du moins dans les vocabulaires techniques, où le « sens linguistique » a souvent peu de rapport avec le « sens terminologique ». La « dérive terminologique » est un effet de la dénomination : elle est un reflet des connaissances non linguistiques, ce qui empêche le mot technique d'être seulement interprétable comme une pure transformation formelle d'un autre mot. L'exemple du verbe passer illustre l'absence de prédictibilité de la forme et du sens des dérivés. On peut imaginer une lexicographie terminologique multidomaine si l'on analyse d'un côté les termes en tant que mots, de l'autre en tant que dénominations de connaissances. Une organisation modulaire des bases de données lexicales le permet. Un essai va être tenté en explicitant les propriétés formelles et les « connectabilités » conceptuelles dans le domaine des contrats. Une utilité des bases de données de cette sorte est de rendre possibles des équivalences conditionnelles pour la traduction : si puce a telle et telle propriété, ou même l'une seulement, alors il faut en anglais chip . On voit aussi que ce travail d'explicitation, suffisant pour la traduction humaine, est le préalable logique à toute automatisation. L'existence de contrôleurs terminologiques est aussi l'une des aides les plus utiles pour la rédaction technique.
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) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.006 | 0.005 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.010 | 0.008 |
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".