Les réseaux socionumériques : un danger pour les langues autochtones ou des alliés pour leur revalorisation ?
Bibliographic record
Abstract
Le présent article porte sur l’utilisation d’une langue autochtone sur Facebook et WhatsApp par de jeunes autochtones, soit des élèves du secondaire bilingues parlant le quechua et l’espagnol. Sur la base de données empiriques issues d’une étude menée de 2018 à 2020 et dans une perspective épistémologique et socio-écologique de la langue, il examine les effets des réseaux socionumériques comme nouveau scénario de risque en ce qui concerne les langues minoritaires ou comme potentiel de revalorisation. Les principaux aspects de l’étude ont trait à la plasticité du territoire de la langue autochtone, aux perceptions linguistiques et aux attitudes des jeunes élèves bilingues à l’égard de cette langue de même qu’à l’incursion de cette dernière dans l’écosystème numérique. Parmi les principales raisons qui limitent l’utilisation de la langue autochtone dans ces réseaux figurent la stigmatisation par l’environnement socioculturel à son égard, les subjectivités des jeunes quant à son utilisation et à sa convivialité ainsi que sa difficulté d’écriture sur des dispositifs électroniques. Malgré les restrictions mentionnées ci-dessus, la langue quechua est utilisée dans le cyberespace par l’entremise des réseaux socionumériques et d’Internet en général, grâce à la volonté et à l’engagement de ses locuteurs qui, en tirant parti de ces ressources numériques, sont en mesure d’étendre systématiquement les domaines d’utilisation de cette langue. Les jeunes profitent des facilités linguistiques multimodales offertes par les réseaux socionumériques pour renforcer et revitaliser une langue minoritaire. Ces réseaux montrent une écriture intuitive et progressive de la langue quechua, depuis des mots isolés jusqu’à des textes complets et complexes qui reflètent leur entrée dans la littératie numérique.
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 | 0.010 | 0.026 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.006 | 0.009 |
| Scholarly communication | 0.008 | 0.009 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
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".