Apport contrastif des dictionnaires généraux de la langue au problème de l’indexation automatique dans le discours technico-scientifique
Bibliographic record
Abstract
L'exposé a trait à l'analyse de textes disponibles sur support lisible par ordinateur. Il est centré sur la présentation d'un analyseur expérimental dont l'objectif est d'obtenir d'un texte une indexation thématique par des moyens automatiques. L'analyseur exploite des bases de données extraites de dictionnaires généraux de langue (monolingues, comme LDOCE, Longman Dictionary of Contemporary English, ou bilingues, comme Le Robert & Collins, dictionnaire français - anglais/english - french dictionary). L'indexation recherchée est obtenue par une double technique de contraste: contraste d'une part entre le profil thématique du texte à analyser, évalué par consultation des dictionnaires, et un profil thématique plus neutre évalué dans les mêmes conditions sur un texte ou corpus de textes choisi comme référence; contraste d'autre part entre le vocabulaire du texte et celui des dictionnaires consultés. Il est fait état d'une large expérience où le corpus anglais LOB (Lancaster-Oslo/Bergen) a servi à la fois d'objet d'analyse et de corpus de référence. L'indépendance des techniques utilisées vis-à-vis de la langue analysée est soulignée, ce qui rend leur application possible à la langue française.
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 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 | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 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 itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
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".