Bibliographic record
Abstract
J e voudrais d'abord remercier Bianca Richard et Gabriel Robichaud qui m'ont invitée à participer à leur balado Parler mal, disponible sur OHdio, site de Radio-Canada depuis 2021 ; je les remercie de leur confiance, de leurs réflexions, de leur sincérité.Je remercie Lara Mainville, directrice des Presses de l'Université d'Ottawa, qui après avoir entendu le balado Parler mal, m'a incitée à écrire ce livre « grand public » afin de rendre compte du phénomène de l'insécurité linguistique présent dans toutes les langues et plus particulièrement dans la francophonie.Mettre des mots sur des situations difficiles, c'est déjà agir sur elles ; les comprendre, c'est un pas vers l'émancipation.Je remercie aussi Laurence Sylvain, gestionnaire des Presses, pour son accompagnement tout au long de l'écriture du manuscrit.Des sincères remerciements à Martin Llewellyn, coordonateur de la production, pour ses relectures attentives, éclairées et généreuses.En outre, j'ai eu la chance et le bonheur de côtoyer des collègues exceptionnels de partout dans la francophonie avec qui j'ai pu échanger sur les différentes dimensions de l'insécurité linguistique ; je suis reconnaissante de leur générosité, du partage de leur savoir, de leur écoute.Finalement, je remercie toutes les personnes qui m'ont raconté de vive voix leurs expériences liées à des formes d'insécurité et dont le malaise (trouble) m'a beaucoup touchée ; je remercie aussi les anonymes qui ont livré des bribes de leurs biographies langagières et qui sans qu'elles le sachent m'ont émue.Finalement, je remercie « mes » merveilleux étudiantes et étudiants de sociolinguistique -certaines et certains qui sont maintenant des collègues -qui m'ont inspirée et qui continuent de le faire par leurs questions, leur curiosité, leurs désirs de briser les tabous et de libérer la parole.
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 | 0.020 | 0.130 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.006 | 0.004 |
| Scholarly communication | 0.015 | 0.008 |
| Open science | 0.004 | 0.010 |
| Research integrity | 0.004 | 0.009 |
| Insufficient payload (model declined to judge) | 0.247 | 0.165 |
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".