Impolitesse verbale dans les lettres de réclamation: une question de genre?
Bibliographic record
Abstract
Dans cette étude, nous nous proposons d’analyser les phénomènes d’impolitesse dans un type particulier de situation communication à savoir, la lettre de réclamation écrite en milieu universitaire. L’enjeu sera double. D’abord, ce sera l’occasion de revenir sur certaines questions théoriques, aujourd’hui largement débattues, dans le champ de la réflexion sur la politesse linguistique. Inaugurée il y a une trentaine d’années par la diffusion des travaux de Brown et Levinson ([1978] et 1987), elle connaît à l’heure actuelle des évolutions récentes et remarquables, qu’il s’agira de discuter. Nous nous intéresserons notamment à celles centrées sur les rapports entre l’impolitesse et les violences verbales et dans un champ complémentaire au nôtre, à travers l’apport des travaux menés par Bousfield & Locher (2008) parmi d’autres études. Ensuite, ce travail consistera à décrire et à analyser quelques manifestations d’impolitesse, et s’efforcera de montrer comment, dans ces lettres, les multiples éléments qui expriment la déception, l’indignation ou même la colère, peuvent nous renseigner sur les différents usages, nettement distincts entre hommes et femmes. L’objectif sera de mettre en lumière en quoi l’agressivité, qui se traduit par des stratégies litigieuses variées (menaces, amorces de négociations, indignation, injures, insultes), constitue une véritable caractéristique de la lettre de réclamation, entendue comme genre textuel face-threatening. Nous verrons en réalité que ces stratégies sont plutôt utilisées par des interlocuteurs masculins pour marquer la position de force et pour accentuer le sentiment de la faute, en instaurant et en renforçant l’image d’une communication conflictuelle. Enfin, en nous fondant sur l’analyse des marqueurs d’impolitesse nous tâcherons de montrer une divergence d’usage entre les hommes et les femmes, à savoir que les insultes (selon la conception de Largorgette, 2009) sont utilisées de façon priviligiée par les interlocuteurs masculins, afin de mettre en scène un éthos d’autorité, et même de brutalité, tandis que les interlocuteurs féminins laissent filtrer l’hostilité sans toutefois favoriser le conflit ouvert, et cherchent à adoucir leurs critiques par des procédés d’atténuation (modalisateurs, minimisateurs et réparateurs par exemple).
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 | 0.005 | 0.016 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.011 | 0.028 |
| Scholarly communication | 0.018 | 0.015 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.004 | 0.006 |
| Insufficient payload (model declined to judge) | 0.011 | 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".