Obstacles lexico-sémantiques à la lecture réussie d’un texte de spécialité1
Bibliographic record
Abstract
Cet article, qui se veut programmatique, dresse l’arrière-plan théorique d’un projet futur axé sur la lisibilité des textes spécialisés pour des lecteurs non experts, tels que des langagiers, qui se situent, le plus souvent, à l’extérieur des groupes socioprofessionnels dont émanent ces textes, que l’on lit à des fins professionnelles. L’article aborde la question de la lisibilité dans la perspective de la linguistique du texte et examine, en particulier, comment les termes mis en discours contribuent à la tension caractéristique et constante des textes spécialisés entre cohérence (pour les experts) et incohérence (pour les non-experts). L’article identifie au moins trois facteurs qui sont responsables de cette tension : 1) la richesse terminologique du texte et l’importance de ce facteur pour son degré de cohérence ; 2) le potentiel sémantique du terme, qui est examiné tant du point de vue de la mise en discours du terme que de son interprétation lors de la lecture ; et dans une moindre mesure, 3) la morphologie du terme. Enfin, l’article pose la question de la compréhension nécessaire et suffisante du langagier qui serait différente de celle exigée du lecteur-chercheur, mais sans y répondre toutefois. Cette question sera au coeur du projet encore à effectuer.
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 | 0.008 | 0.021 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.004 | 0.014 |
| Scholarly communication | 0.010 | 0.018 |
| Open science | 0.001 | 0.008 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.008 | 0.002 |
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".