L’analyse de texte assistée par ordinateur : introduction à l’un des champs fondamentaux de la sémiotique computationnelle
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
La sémiotique computationnelle étudie l’interaction entre les processus d’émergence du sens et les systèmes formels, computables et numériques. En effet, l’une de ses hypothèses est la possibilité de décrire la sémiose à travers des métalangages formels et de la simuler par des procédés algorithmiques. Dans ce contexte, plusieurs pratiques d’analyse sémiotique se sont développées, à l’exemple de l’analyse de texte assistée par ordinateur (ATO). Avec cette dernière, en adoptant des techniques et des méthodes issues de l’informatique et de l’intelligence artificielle, les formes plus classiques de l’analyse de texte se joignent aux champs de recherche des humanités numériques. La sémiotique est ainsi appelée, entre autres, à discuter les enjeux de l’usage de ces techniques dans la recherche en sciences humaines et sociales. L’objectif de cet article est de présenter un survol de la sémiotique computationnelle et d’introduire le lectorat à certains aspects théoriques et méthodologiques de l’assistance informatique à l’analyse de texte. Plus particulièrement, le texte expose les étapes et les hypothèses de la transformation vectorielle du texte que présuppose l’ATO et discute des enjeux sémiotiques de deux procédures : la lemmatisation et la fonction de pondération.
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.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| 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 it