Le comportement terminologique et les attitudes face aux langues en contexte de changement planifié : une analyse comparative de deux milieux de travail
Bibliographic record
Abstract
L’évaluation du travail de la francisation des termes techniques en milieu de travail, dans le contexte de la politique dL’aménagement linguistique du Québec, pose des problèmes particuliers pour l’analyse du choix des langues. En 1983, nous avons recueilli des données auprès de 453 employés d’une entreprise de transport qui ont rempli notre questionnaire. Nous avons identifié certains facteurs sociodémographiques, occupationnels, organisationnels et psychosociaux qui pèsent sur l’utilisation des langues en contexte de concurrence et de changement linguistiques, et plus particulièrement sur le choix de langue (l’anglais ou le français) pour une dizaine de termes spécifiques. Dans le présent article, nous confrontons les résultats obtenus en 1983 à des données comparables receuillies en 1986 auprès de 361 travailleurs de deux entreprises du secteur manufacturier. Afin de vérifier le bien-fondé de certaines hypothèses retenues suite aux analyses du corpus de 1983, nous examinons le rôle de deux facteurs sociodémographiques et occupationnels importants, le sexe et le poste, en regard du comportement terminologique et de certaines attitudes.
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 | 0.006 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.004 | 0.005 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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".