Bibliographic record
Abstract
Lorsque les migrants français arrivèrent au Québec en 1608, ils furent confrontés à des plantes qui ressemblaient à celles de France, et à d’autres totalement inconnues. Il fallut bien les nommer pour les utiliser, les bois en particulier, si indispensables. Le processus de nomination des plantes du Québec a été excellemment résumé par le frère Marie-Victorin dans l’introduction de sa Flore laurentienne, publiée en 1935. Il y a distingué quatre catégories de noms vernaculaires avec des exemples, sans toutefois pousser l’analyse plus avant. L’analyse des noms vernaculaires populaires de plantes peut se faire selon plusieurs axes de recherche : proportions des espèces nommées (par exemple, seulement quatre espèces d’aubépines sur un total de quarante-sept ont reçu un nom vernaculaire), concision, redondance, précision, structures des noms vernaculaires. Toutes les espèces ligneuses du Québec sont étudiées et, plus sommairement, les herbacées. En comparant les noms vernaculaires de plantes dans diverses langues et dans divers pays, des analogies émergent : au Canada, aux Antilles, à l’île Maurice pour le français et l’anglais ; dans toute l’Amérique pour l’espagnol ; au Brésil pour le portugais et le tupi ; en Afrique du Sud pour l’afrikaans et l’anglais ; en Australie et en Nouvelle-Zélande pour l’anglais, etc. La littérature, en particulier les romans régionalistes, a quelquefois utilisé les noms vernaculaires de plantes pour augmenter l’effet d’authenticité et de couleur locale : Louis Hémon et Antonine Maillet au Québec, Alejo Carpentier en Guadeloupe, Rómulo Gallegos au Venezuela…, et sporadiquement Chateaubriand dans ses évocations des forêts du Nouveau Monde. La nomination des plantes par des étrangers venant coloniser des terres nouvelles semble suivre des processus universels.
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 | 0.001 | 0.002 |
| Science and technology studies | 0.012 | 0.004 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.012 | 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".