La coordination des adjectifs modificateurs en russe et en français : la conjonction russe i et la conjonction française et
Bibliographic record
Abstract
Le présent article établit les régularités d’emploi de coordination, par opposition à la codépendance, de deux adjectifs modifiant un nom en français et en russe. La possibilité de coordination par la conjonction françaiseet/ russeiest basée sur l’homogénéité des adjectifs (un regard lourdetmorose), tandis que celle de leur codépendance se base sur leur hétérogénéité (une voiture rouge fiable). On distingue l’homogénéité sémantique (induite par le sens lexicographique des adjectifs) et l’homogénéité pragmatique (imposée par le locuteur voulant souligner la similitude situationnelle de deux adjectifs sémantiquement hétérogènes). Pour caractériser l’homogénéité des adjectifs, l’article propose une classification sémantique. Une comparaison systématique de la coordination et de la codépendance adjectivales dans les deux langues démontre que, dans la majorité des cas, le français préfère la coordination des adjectifs et le russe la codépendance : par exemple,un ciel hautetbleu<*un ciel hautbleu> ~vysokoe sinee nebo<*vysokoeisinee nebo>.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.000 | 0.001 |
| 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".