Bibliographic record
Abstract
Résumé Il n’y a pas de lien simple entre langue et culture. Une même langue (le français, l’anglais, l’espagnol, etc.) peut être associé à des manières différentes de parler du monde, associées à des cultures elles aussi différentes, au sein de communautés différentes d’utilisateurs (Français, Belges francophones et Québécois ; Mexicains et Argentins ; etc.). Des ensembles de locuteurs de cultures différentes qui se servent d’une même langue vont y puiser des termes différents pour évoquer une même situation. Simultanément, des ensembles de locuteurs utilisant des langues différentes, mais proches par leurs cultures (par exemple Belges francophones et néerlandophones), peuvent se servir alors de termes quasi-équivalents. Pour saisir ce qui différencie deux cultures, il est très fécond de comparer les manières dont une même situation y est mise en mots. Les différences entre les versions en anglais et en français du texte de la Convention internationale des droits de l’enfant fournissent une bonne illustration de ce fait. Si provide et care sont ainsi caractéristiques de la version anglaise, « veiller à » l’est de la version française. On retrouve ce même contraste dans des domaines très différents de la vie sociale, par exemple la manière dont les constitutions française d’un côté et américaine de l’autre évoquent le rôle du chef de l’Etat.
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 | 0.006 | 0.009 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.000 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.015 | 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".