Morphosyntaxe et sémantique de quelques locutions contenant le mot « tête » dans les canadianismes
Bibliographic record
Abstract
Bien qu’une intercompréhension entre les locuteurs du français à travers le monde soit possible grâce aux nombreuses conventions prescrites, l’efficacité de leur communication peut toutefois être compromise à cause de la présence de mots et d’expressions propres à un pays ou à une région. En effet, le français est susceptible de variations synchroniques et diachroniques, étant donné les variations culturelles, sociales, économiques et politiques à l’intérieur d’un même pays et entre les pays ou les régions partageant cette langue. Ces mots et locutions, qui peuvent faire partie du vocabulaire de certains locuteurs, réfèrent alors à des réalités spécifiques de leurs pays ou de leurs régions. En outre, ces expressions ont souvent une telle opacité sémantique que les locuteurs étrangers à celles-ci risquent d’être déroutés et ne seront pas en mesure d’en comprendre le sens (Klett, 2013, p. 60). À titre d’exemple, dans une situation où un locuteur francophone de la Belgique communique avec un locuteur francophone du Canada, il est possible qu’il y ait une incompréhension des expressions utilisées de part et d’autre. De même, cette incompréhension peut s’instaurer entre locuteurs d’un même pays. Cela suggère que le vocabulaire de ces locuteurs diffère par des facteurs individuels, c’està-dire des facteurs sociolinguistiques, qui ont un effet sur leur usage et leur compréhension des expressions. C’est sur cette incompréhension que nous nous penchons dans cette étude. Étant donné la panoplie d’expressions existantes, nous avons restreint notre champ de recherche en ne nous intéressant qu’à quelques locutions anatomiques1 contenant le mot « tête » dans les canadianismes, telles que « être une tête carrée » et « avoir des yeux tout le tour de la tête ».
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) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.004 | 0.005 |
| Science and technology studies | 0.005 | 0.006 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| 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".