Quel genre de droit? Autopsie du sexisme dans la langue juridique
Bibliographic record
Abstract
Diriez-vous d’un tribunal dont on limite la compétence qu’on lui coupe les couilles? Diriez-vous d’une enfant violée qu’elle a vécu une « aventure sexuelle »? Diriez-vous de 30 avocates et d’un document qu’« ils » se trouvent dans la salle d’audience? Si vous avez répondu « non » à ces provocations, vous aimerez cet article. Si vous avez répondu « oui », vous en avez besoin.Nous traquons ici le sexisme dans la langue du droit. Effacer les femmes, pathologiser les mères, banaliser les violences : tels sont quelques-uns des effets discriminatoires de ce sexisme langagier que nous entreprenons de détailler sous toutes ses coutures.L’analyse du sexisme langagier doit devenir un champ d’étude en bonne et due forme. À cette fin, nous offrons une nomenclature des sexismes jurilinguistiques (lexical, grammatical, terminologique…), ainsi que deux nouvelles notions : la féminisation ostentatoire, un féminin marquée à l’oral, et le plafond de verre linguistique, cette obstination à nommer au masculin les femmes occupant de hautes fonctions.Notre étude offre des outils aux juges, avocat·es, notaires, légistes et autres practicien·nes du droit pour démasquer le sexisme caché dans leurs communications et se familiariser avec les nouveaux développements en matière de rédaction inclusive.
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 | 0.008 | 0.007 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.004 |
| Insufficient payload (model declined to judge) | 0.016 | 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".