Féminisation linguistique : étude comparative de l'implantation de variantes féminines marquées au Canada et en Europe
Bibliographic record
Abstract
Notre recherche s’inscrit dans le champ de la féminisation linguistique, qui tire son origine du besoin de nommer les femmes qui accèdent à des fonctions autrefois réservées aux hommes. Notre étude a cherché à mesurer l’implantation de certaines variantes féminines marquées au Canada francophone et en Europe (Belgique, France, Suisse). Elle compare, pour chacun des 48 cas retenus, des occurrences dans l’outil de recherche Eureka.cc d’au minimum deux variantes féminines marquées pour une même appellation de personne, que ces variantes soient acceptées ou non par l’Office québécois de la langue française. Les résultats montrent qu’il existe une bonne adéquation entre les formes acceptées par l’Office et celles que l’on trouve dans les dictionnaires, particulièrement dans les ouvrages canadiens. Dans l’ensemble du corpus observé, les variantes marquées acceptées par l’Office sont davantage utilisées que les formes non acceptées, en Europe comme au Canada ( chercheuse et non * chercheure ). Les variantes en - eure sont souvent employées au Canada ( réviseure plus que réviseuse ), qu’elles soient acceptées ou non, particulièrement dans le cas où elles entrent en concurrence avec une forme en - euse .
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 | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.007 |
| Science and technology studies | 0.006 | 0.004 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.001 |
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".