Variation sociophonétique dialectale et stylistique : quelle est la langue cible en français langue seconde à Montréal ?1
Bibliographic record
Abstract
La variété de français parlée dans l’Hexagone a été par le passé considérée comme un modèle de « bon français », tandis que la variété québécoise s’est trouvée dépeinte de façon moins prestigieuse. En enseignement des langues secondes, ces opinions ont un impact sur les choix et les perceptions des apprenants envers de la langue cible. Plusieurs chercheurs ont étudié ces perceptions dans une comparaison France–Québec. Cette étude propose de vérifier si la variation stylistique propre à chaque variété dialectale affecte les réactions envers le français de France et celui du Québec de la même manière que les variétés le font, pour des apprenants de français langue seconde à Montréal. Selon la technique du locuteur masqué, les participants ont écouté et réagi à des locutrices natives du français parisien et du français québécois produisant exactement le même contenu linguistique dans deux situations différentes, formelle et informelle. Les résultats montrent que la variation stylistique a eu une importance considérable dans les perceptions et les choix des participants. Parallèlement, les données révèlent un amalgame réalisé entre, d'une part, langue formelle et français européen et, d’autre part, langue informelle et français québécois.
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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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".