Les données orales en linguistique
Bibliographic record
Abstract
Au sein de la communauté des Sciences du Langage, les pratiques relatives aux données personnelles liées aux corpus oraux, visées par les mesures de protection du RGPD, sont à la fois diverses et très inégales. Si certains laboratoires de recherche ont d’ores et déjà adopté des méthodologies guidées par des procédures normalisées proposées à leurs membres, dans d’autres cas, la qualité éthique et la conformité des pratiques reposent sur l’initiative individuelle des chercheur·e·s et sur leur degré de prise de conscience des enjeux. La présente contribution propose un état des lieux des principales questions éthiques et du cadrage juridique nécessaires à chaque étape de la chaîne de traitement des données orales, avant d’aborder les principaux outils et traitements informatiques qui leur sont appliqués et les risques qu’ils comportent. Ces réflexions posent les premiers jalons pour la feuille de route du groupe de travail transversal « Questions éthiques et cadre juridique » (QuECJ), mis en place au sein du consortium CorLI (CORpus, Langues et Interactions) pour accompagner la communauté vers un traitement (plus) adéquat des données et faciliter ainsi les recherches sur corpus dans le contexte légal et sociétal actuel.
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 | 0.018 | 0.069 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.008 | 0.008 |
| Science and technology studies | 0.004 | 0.004 |
| Scholarly communication | 0.012 | 0.007 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.031 | 0.009 |
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".