Le retour d’un « être » cher ? Étude sociolinguistique de l’alternance des auxiliaires dans le français de Montréal (1971-2016)
Bibliographic record
Abstract
Ma communication examine l’alternance en français montréalais des auxiliaires avoir et être dans la vingtaine de verbes nécessitant conventionnellement être (ex. J’ai tombé) et dans les pronominaux (ex. Je m’ai fait mal). Cette variabilité a été recensée dans pratiquement toutes les communautés francophones d’Amérique du Nord et dans certaines régions de France et de Belgique. Après avoir analysé le corpus montréalais Sankoff-Cedergren (1971), Sankoff & Thibault (1977) ont observé une généralisation d’avoir dans 34% des occurrences. Puisqu’en 45 ans le paysage linguistique montréalais a connu de grands changements, je tente de déterminer par le biais d’entrevues sociolinguistiques avec 48 locuteurs l’état de cette variation. Après avoir transcrit les temps composés des verbes démontrant une alternance en 1971 et ceux des pronominaux obtenus, je groupe mes locuteurs selon divers facteurs (âge, sexe, classe socio-économique, insertion dans le marché linguistique, bilinguisme, etc.). Mes résultats préliminaires montrent que l’alternance d’auxiliaires dans les intransitifs a globalement diminué (taux de sélection d’avoir de 10,4%) depuis 1971 et que celle dans les pronominaux est socialement marquée. Le maintien d’être corrèle avec une classe socio-économique et une insertion dans le marché linguistique élevés.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.006 |
| Science and technology studies | 0.005 | 0.002 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 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".