Bibliographic record
Abstract
PerceptionsCe dernier chapitre porte sur les tests de perception effectués à Paris, en Suisse romande et au Québec dans le but de vérifier les hypothèses, tirées des analyses des voyelles produites par les locuteurs-modèles, par rapport à l'appartenance de différents traits vocaliques aux normes de prononciation de ces trois régions (cf.chapitre 5).La présentation des résultats sera, ici aussi, structurée selon chaque région (cf.6.1 : Paris ; 6.2 : Suisse romande ; 6.3 : Québec) et, pour chaque trait vocalique analysé, sur la base des trois questions posées dans les tests de perception (cf.3.5.2) : la question d'évaluation sur la base d'une échelle (0%-100%) et sans contexte explicite testant la conception d'une norme stable et indépendante de la situation (cf.question 1), ainsi que celles mentionnant des contextes précis, testant la conception d'une norme plurielle dépendante de la situation (cf.question 2 : prononciation idéale des présentateurs de journaux télévisés ; cf.question 3 : prononciation à enseigner dans les cours de FLE).Par la suite, je proposerai pour chacune des trois régions une discussion (cf.6.1.5; 6.2.6 ; 6.3.9)dans laquelle les résultats touchant aux perceptions seront comparés à ceux touchant aux productions, afin de pouvoir proposer des conclusions empiriquement solides quant à l'appartenance des traits étudiés à la norme respective.Dans un dernier temps, je mettrai en lumière plusieurs réserves nécessaires par rapport aux choix méthodologiques effectués dans le cadre de ces trois tests de perception, qui ont pu avoir une influence sur les résultats (cf.6.4).
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 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.008 | 0.005 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.170 | 0.033 |
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".