Mon lapin, ma biche ou loulou ? La fréquence d’emploi des surnoms d’amour pour femmes et pour hommes en français de France et en français québécois
Bibliographic record
Abstract
L’objectif de cette communication est d’analyser la productivité et l’usage des surnoms d’amour pour femmes et pour hommes dans le contexte francophone, notamment en France et au Québec. À partir des dispositifs lexicographiques et des ressources de la Toile, nous avons élaboré un corpus de mots que nous analysons plus en détail avec des outils de la linguistique de corpus, à savoir sur la plateforme Néoveille et dans les corpus slovaques Aranea permettant de mesurer les fréquences d’emploi dans les deux contextes distincts français et québécois. Premièrement, nous allons caractériser et classifier, en général, les surnoms affectifs pour femmes et pour hommes. Deuxièmement, nous allons présenter les mots recueillis pour notre analyse et nous allons les commenter en fonction des processus de leur formation ou de leur appartenance à un domaine déterminé. Finalement, nous allons vérifier la fréquence d’emploi et la productivité d’un échantillon de mots choisi dans des corpus linguistiques choisis, et nous allons comparer les deux contextes de notre recherche pour pouvoir nous prononcer sur leurs ressemblances ou différences.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 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".