Bibliographic record
Abstract
Grice a proposé une analyse de l’ironie fondée sur les implicatures, selon laquelle les énoncés ironiques produisent une implicature par antiphrase. Cette thèse, qui suit l’analyse rhétorique classique, la transpose simplement du registre sémantique au pragmatique, ce qui ne suffit pas à répondre à la question de savoir comment l’auditeur saisit l’interprétation par antiphrase, ou pourquoi le locuteur dit une chose quand il signifie l’inverse. L’analyse antiphrastique ne dit pas non plus comment on doit rendre compte des énoncés ironiques qui ne sont pas des assertions. Les analyses contemporaines de l’ironie, comme celles de Sperber et Wilson en termes d’écho, et de Currie — en termes de feintise —, ne rencontrent pas les mêmes difficultés. On les présente en général comme capables de rendre compte des cas « centraux » d’ironie et comme incompatibles entre elles. Dans le présent article, je montre que les deux analyses s’appliquent au même ensemble d’exemples et qu’en fait certaines critiques de Currie contre l’analyse échoique ne sont pas valides. De plus il y a un ensemble d’exemples d’énoncés ironïques que l’on ne peut pas analyser en termes de feintise. Donc aucune des deux analyses n’est assez générale. Pour finir, je propose une analyse selon laquelle les énoncés ironiquesmontrent(plutôt qu’ils nedisent) un comportement, une croyance ou un raisonnement déraisonnable, et je plaide pour une analyse gricienne, basée non pas sur l’implicature par antiphrase, mais sur la signification non naturelle et la reconnaissance de la double intention du locuteur. Cette analyse est compatible avec l’analyse échoïque et avec celle en termes de feintise, tout en étant plus générale.
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 | 0.007 | 0.012 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.001 |
| Science and technology studies | 0.006 | 0.020 |
| Scholarly communication | 0.011 | 0.016 |
| Open science | 0.003 | 0.005 |
| Research integrity | 0.005 | 0.007 |
| Insufficient payload (model declined to judge) | 0.011 | 0.003 |
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".