A linguistic approach to identity-seeking in the contemporary Quebecois novel
Bibliographic record
Abstract
Ce travail de doctorat a été rédigé dans le cadre d’une cotutelle internationale de thèse, établie entre l’Université de Limoges et l’Université de Montréal. Nous examinons quatre romans québécois contemporains : Hadassa de Myriam Beaudoin, La Logeuse d’Éric Dupont, Le Fou d’Omar d’Abla Farhoud et Côte-des-Nègres de Mauricio Segura. Les romans ont été publiés entre les années 1998 et 2006. Le plus important objectif est l’étude du lien entre l’hétérolinguisme du roman québécois des années 1995-2010 et la pratique langagière des protagonistes. Nous plaçons les héros littéraires au cœur de notre recherche. Nous procédons par induction, parce que nous décryptons la conception du monde des personnages principaux à partir de leur pratique langagière. Cela nous permet de déterminer les facteurs qui motiveraient le changement de registre et de variété de langue dans des situations spécifiques. Nous nous servons des théories littéraires, linguistiques et sociolinguistiques. L’analyse de la diégèse s’inspire de la théorie de Gérard Genette. Nous nous servons de cinq procédés de différenciation de Philippe Hamon et de deux procédés d’individualisation de Boris Tomachevski pour établir la hiérarchie des personnages. Les résultats de l’analyse diégétique sont reproduits sur le schéma graphique de l’énonciation, qui est notre création. Rainier Grutman décrit l’hétérolinguisme comme « la présence dans un texte d’idiomes étrangers, sous quelque forme que ce soit, aussi bien que de variétés (sociales, régionales ou chronologiques) de la langue principale ». Nous recourons aux travaux de Rainier Grutman (1997) et de Chantal Richard (2004) pour analyser les formes et fonctions de l’hétérolinguisme dans notre corpus. L’approche sociolinguistique s’inspire du modèle variationniste de l’alternance et de l’emprunt de Shana Poplack (1988).
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.017 | 0.021 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 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 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".