La Diphtongaison dans le Français de Waterville, Maine: Une Étude Sociolinguistique des Voyelles Orales
Bibliographic record
Abstract
Le but de la présente étude et de contribuer à l'étude du français franco-américain, et en particulier, de considérer l'influence de certaines variables sociales sur la diphtongaison des voyelles orales. Nous faisons un résumé de l'histoire de l'immigration des Canadiens français à la Nouvelle-Angleterre et à Waterville, et nous faisons aussi un résumé de la littérature sur le français franco-américain, ainsi que sur le phénomène de la diphtongaison en français québécois. Cette étude utilise des données provenant du projet « Etude sociolinguistique du français franco-américain », fondé par le professeur Jane Smith et subventionné par la National Science Foundation, bourses No BCS-004039 et BCS-0003942. Nous avons basé la présente recherche sur 20 interviews faites entre 2002 et 2004 à Waterville, par le professeur Jane Smith. Nous nous sommes servis du programme VARBRUL pour l'analyse de nos données. Les résultats de l'analyse montrent que globalement, le taux de diphtongaison des voyelles orales diminue à mesure que l'éducation augmente. Les femmes diphtonguent plus que les hommes, et les locuteurs les plus âgés diphtonguent plus que les jeunes locuteurs. Nous avons également trouvé que les locuteurs nés au Nouveau-Brunswick ont le taux de diphtongaison le plus bas, ceux qui sont nés dans le Maine ont un taux de diphtongaison légèrement plus élevé, et ceux qui sont nés au Québec ont le taux de diphtongaison le plus élevé.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.005 | 0.003 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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; 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".