Les fondements du langage du droit comme langue de spécialité. Du sens et de la forme du texte juridique
Bibliographic record
Abstract
L’utilisateur ou l’auteur de textes juridiques passe par le langage du droit pour lire, écrire ou traduire cette langue de spécialité (LS). Or, pour traiter un texte, juridique ou autre, il faut non seulement connaître (et comprendre) les mots de la langue commune, les termes du domaine visé et les notions dont ils sont porteurs, c’est-à-dire la langue (le lexique), mais encore le discours qui lui est propre, soit la manière de dire les choses, son langage. Le langage du droit, comme toute LS, est constitué de quatre éléments premiers : une sémantique, une syntaxe, un lexique et une stylistique. Les possibilités combinatoires illimitées qu’elle offre en font un champ d’observation et d’expérimentation exemplaire. Si le fond (le sens ou contenu) d’un texte occupe une place prépondérante dans l’interprétation — quel qu’en soit le but — qui peut en être faite, la forme (le contenant ou l’expression : sa stylistique) n’est pas moins importante et, en droit comme ailleurs, la « façon de dire » est porteuse de sens, donc de significations, et il doit en être tenu compte dans les interprétations diverses auxquelles elle donne lieu. Un texte n’est, somme toute, que le produit de la synthèse des quatre éléments premiers énoncés, et sa signification dépendra de la combinatoire plus ou moins réussie des éléments nécessaires à la constitution de l’ensemble. Le sens du texte juridique procède de l’équation aléatoire que son auteur aura su (pu ?) réaliser à partir de ces éléments. Sa signification dépendra de l’interprétation, toujours fragile, qui en sera faite. Lorsque la signification rencontre le sens, on atteint à l’essence du langage, et du particulier (LS quelconque) on tend vers l’universel, soit le langage tout court.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.006 | 0.008 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.019 | 0.006 |
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".