La regola del genere dei nomi di professioni nei manuali di italiano l2/ls
Bibliographic record
Abstract
Il femminile delle professioni è al centro del dibattito sul sessismo linguistico in Italia, soprattutto per quanto riguarda i sostantivi che indicano ruoli professionali di prestigio, come avvocato, ministro o architetto, che spesso vengono declinati al maschile anche quando si riferiscono a una donna. Grazie ai contributi della linguistica femminista, tuttavia, è sempre più diffusa la consapevolezza che l’uso di forme del cosiddetto maschile “non marcato” per indicare referenti femminili è il frutto di una concezione della lingua di stampo androcentrico e sono ormai diverse le istituzioni che ne sconsigliano l’uso e si sono espresse a favore di un linguaggio non sessista. Nella presente ricerca si è analizzato il trattamento della regola di formazione dei femminili di professioni all’interno delle sezioni grammaticali di quindici testi di italiano L2/LS pubblicati negli ultimi dieci anni con l’obiettivo di osservare se le recenti indicazioni e raccomandazioni abbiano avuto un impatto e siano state assunte come modello linguistico. Dai risultati emerge che non esiste un’esposizione omogenea della regola in questione e che, sebbene in alcuni casi essa venga illustrata in maniera approfondita, quando si cerca di rendere visibili le donne che svolgono professioni prestigiose, alcuni dei manuali analizzati consigliano l’uso del maschile “non marcato” o forniscono indicazioni approssimative riguardo l’attuale stato della questione.
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 | 0.002 | 0.011 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.030 | 0.005 |
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".