Hiérarchies imaginées des locuteurs et des langues-cultures au Mexique
Bibliographic record
Abstract
L'image ou les images que l'on peut se faire d'une langue et de ses locuteurs sont le résultat d'un processus de construction à travers différentes circonstances historiques, sociales et culturelles.En effet, les images des langues se construisent tout d'abord chez l'individu ; le discours informel personnel est une manière de s'approprier la langue.Ces images des langues, constituées en imaginaires, ont été intériorisées par les membres de la société à travers le temps et par divers moyens ; elles circulent et influencent le positionnement et le comportement des individus avec leurs interlocuteurs.Nous nous intéressons ici aux images des langues dans la société mexicaine et à la façon dont elles sont perçues, représentées ou valorisées par des enseignants de français langue étrangère (FLE).Divers exemples sélectionnés seront utilisés pour montrer l'importance des images au Mexique.Les notions d'image-histoire, de hiérarchies imaginées de langues-cultures et des locuteurs seront commentées.Il s'agit d'une étude qualitative réalisée dans le cadre de deux thèses de doctorat, à travers les entretiens d'un groupe d'enseignants mexicains qui explicitent leurs parcours linguistiques et laissent entrevoir leurs opinions.
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 | 0.007 | 0.009 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.000 | 0.003 |
| Research integrity | 0.001 | 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".