Bibliographic record
Abstract
Pour les terminologueshistoriques, le terme s’oppose radicalement au mot. Il est caractérisé par la monosémie, l’univocité, la précision de sa définition et un sens uniquement référentiel faisant de lui une étiquette apposée sur la chose. La terminologie se prétend purement onomasiologique et chargée de la standardisation des langages spécialisés. Or, depuis quelques décennies certains terminologues se sont rapprochés de la linguistique, surtout de la linguistique de corpus, pour construire une terminologie basée sur l’observation des discours, donc sémasiologique, dans laquelle le terme peut être polysémique, avoir des synonymes, avoir un sens influencé par son contexte. Pour eux, l’objectif premier n’est plus la standardisation mais la description des discours spécialisés. Ces nouveaux terminologues ont fait avancer la discipline en la rapprochant de la linguistique et en privilégiant l’observation de faits réels plutôt que l’évocation d’idéaux mais leur rejet des principes de la terminologie classique est peut-être excessif. Nous voulons montrer, en les examinant l’un après l’autre, que ces principes n’ont pas perdu tout intérêt, sur le plan de la langue et sur le plan social, en particulier pour la construction d’outils. Plutôt que d’accentuer les divergences entre les courants, il nous semble donc préférable de revendiquer leur complémentarité.
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 | 0.009 | 0.016 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.006 |
| Science and technology studies | 0.005 | 0.037 |
| Scholarly communication | 0.014 | 0.036 |
| Open science | 0.003 | 0.004 |
| Research integrity | 0.005 | 0.010 |
| Insufficient payload (model declined to judge) | 0.009 | 0.005 |
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".