L'exemplarité de ‘par exemple’. Un cas de pragmaticalisation en français québécois
Bibliographic record
Abstract
Le marqueur par exemple présente en français québécois des usages qui le distinguent de ceux qu'il possède actuellement en français de référence. L'article a deux objectifs. 1) Il vise d'abord à faire ressortir un certain nombre de caractéristiques sémantiques propres aux différentes acceptions de par exemple et à dégager les liens qui les unissent. 2) Il vise ensuite à mettre en relief quelques aspects relatifs à l'organisation sémantique de marqueurs à valeur pragmatique issus d'un processus de pragmaticalisation. Ainsi, les différents sens de par exemple présentent une organisation sémantique graduelle. De manière générale, ce type d'organisation s'expliquerait par la présence dans les sens lexicaux / grammaticaux de composantes qui généreraient des sens pragmatiques. Ceux-ci généreraient d'autres sens pragmatiques, de sorte qu'il en résulterait souvent une chaîne (sur cette notion, v. Heine, 1992) où un sens pragmatique initial serait lié à un sens lexical/ grammatical, mais où le sens pragmatique final n'aurait pas nécessairement de lien direct avec un sens lexical / grammatical. L'étude fait suite à une série de travaux sur les marqueurs discursifs (sur tiens , v. Dostie et Léard, 1997; sur écoute/ regarde , v. Dostie, 1998; sur t'sais , v. Dostie et de Sève, 1999; sur dis donc et dis-moi pas , v. Dostie, 2001)
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.009 | 0.008 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.015 | 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".