La résilience du <i>ne</i> en français contemporain : étude d’un marqueur stylistique à Paris, Montréal et Marseille
Bibliographic record
Abstract
Cet article présente une nouvelle contribution à l’abondante littérature sur l’analyse de l’utilisation et de la particule négative ne en français contemporain (Je ne l’aime pas vs Je l’aime pas). Il présente une étude du corpus CaFé (Cartographie linguistique des féminismes), composé de 102 entretiens sociolinguistiques semi-dirigés réalisés à Montréal, Paris et Marseille en 2021 et 2022 avec des militant.es féministes et queer (2 millions de mots). Il met en lien la variabilité dans la réalisation du ne avec un facteur linguistique (type de sujet) et plusieurs facteurs discursifs (forme d’adresse, thèmes abordés, personnes connues/non connues de la chercheuse) et sociodémographiques (âge, éducation, engagement, ville). L’analyse de 25 560 négations montre que le type de sujet, l’âge, les thèmes abordés et la relation entre la chercheuse et les personnes enregistrées ont un effet significatif sur la réalisation du ne, comme l’ont montré de nombreuses études. L’originalité de notre étude tient au fait que le corpus CaFé permet une comparaison directe entre les trois villes. Cela révèle qu’il y a une variation dialectale très limitée et que les taux d’emploi du ne sont très semblables dans les trois souscorpus: 11.22 % à Paris, 10.75 % à Marseille et 8.87 % à Montréal. La variation dialectale est limitée à un contexte morphosyntaxique précis: les sujets lexicaux non redoublés par un pronom. Notre étude souligne l’importance de construire des corpus comparables pour étudier la variation sociale et dialectale.
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 | 0.003 | 0.006 |
| Science and technology studies | 0.008 | 0.005 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| 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".