Bibliographic record
Abstract
Cet article présente une étude de cas d’ellipses d’argument dans le contexte des recettes de cuisine. En anglais et en français, les patients définis peuvent être nuls dans les recettes, même si cette ellipse n’est pas possible en dehors de ce contexte (Trancher et servir chaud). Des mécanismes spécifiques à ce registre ont été proposés pour rendre compte de ces arguments nuls. On parle moins du fait que les recettes permettent aussi les agents nuls, qui sont légitimés par l’impératif ou l’infinitif. Dans cet article, il s’agit d’exemples de recettes dans deux langues austronésiennes, le niuéen et le malgache. On propose que bien que les arguments nuls soient un aspect pragmatique du registre des recettes dans toutes les langues, ils sont légitimés par des moyens différents, selon les caractéristiques syntaxiques de la langue. En niuéen, les agents nuls sont le résultat de l’impératif, comme en anglais, mais les patients nuls surviennent grâce au paradigme pronominal régulier. Aucune règle spécifique au registre n’est, alors, nécessaire. Le malgache, par contre, profite de sa morphologie verbale pour réaliser les agents nuls dans les recettes, et l’omission des patients est le résultat de l’effacement des topiques (topic-drop). Cet article élargit donc l’étude interlinguistique de la syntaxe du registre des recettes.
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 | 0.013 | 0.030 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.009 | 0.019 |
| Scholarly communication | 0.011 | 0.018 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.004 | 0.005 |
| Insufficient payload (model declined to judge) | 0.013 | 0.002 |
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".