Bibliographic record
Abstract
Depuis plus de vingt ans, la feminisation de la langue est largement abordee par des linguistes feministes conscients de l'invisibilite des femmes dans la langue. Ce travail est un ensemble de procedes linguistiques qui favorisent une plus grande presence des femmes dans la societe. Nous distinguons d'un co?te la feminisation des noms de metiers et de titres, avec l'emploi d'une forme feminine correspondant a une forme masculine, et d'un autre co?te la feminisation des textes, avec l'introduction des noms feminins dans les textes. Le gouvernement francais a traite ce probleme comme un sujet sociolinguistique et a fait passer une circulaire en 1986 et une autre en 1999. Depuis 10 ans, la feminisation des titres se generalise dans l'espace public mais elle n'est pas bien pratiquee dans l'espace prive. La feminisation des textes consiste a refuser progressivement l'emploi du masculin generique ou utilise comme un neutre et a pratiquer l'emploi equitable du masculin et du feminin dans l'ecrit. Cette seconde etape du phenomene n'est pas marquee en France. Le Quebec, avant-garde en la matiere, applique systematiquement aux textes la feminisation dont le guide complete a ete publie en 2007. Le guide exige de pratiquer une ecriture epicene pour une meilleure visibilite des femmes et en me?me temps de veiller a la qualite du texte en utilisant toute la gamme des procedes disponibles et en developpant un style clair et elegant. Nous nous demandons dans quelle mesure et dans quelles conditions on devrait feminiser la langue. La reponse ne viendra ni des linguistes, ni des sociologues, ni des gouvernements. C'est a travers l'usage langagier qu'on en tirera le resultat.
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 | 0.001 |
| Science and technology studies | 0.006 | 0.010 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.010 | 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".