La productivité des noms composés en français du XVIIe au début du XXe siècle
Bibliographic record
Abstract
La présente thèse est une étude approfondie de la productivité des noms composés français N-N, A-N, N-A et N-de-N du XVIIe au début du XXe siècle. La productivité morphologique des mots composés demeure un domaine très peu exploré, surtout en français. Les études antérieures sur la dérivation utilisent principalement la mesure de productivité basée sur les hapax, soulevant la question de savoir si lâapplication dâune seule méthode est suffisamment fiable pour évaluer la productivité en composition. Dans cette thèse, la productivité des composés est calculée au moyen de trois mesures différentes : la mesure P basée sur les hapax (Baayen et Lieber 1991; Baayen 1992), la taille catégorielle de la famille morphologique (Baayen et Hay 2002) et la fréquence relative (Hay 2003). En outre, la productivité est analysée en tenant compte de la position de la tête morphologique et lâaspect régulier/irrégulier du composé. Je cherche à vérifier quatre hypothèses : 1) les composés réguliers sont plus productifs que les irréguliers ; 2) les N-N et N-de-N sont les types les plus productifs ; 3) il existe une corrélation inverse entre la productivité P et la fréquence relative ; 4) il existe une corrélation inverse entre la productivité P et la taille catégorielle de la famille morphologique. Les hypothèses #1 et #4 sont confirmées par les résultats obtenus : les formes régulières exocentriques sont les plus productives et le taux de productivité le plus élevée coïncide avec la taille catégorielle la plus basse. Lâhypothèse #2 a été appuyée partiellement à cause de données lacunaires pour le type N-de-N. Toutefois, la corrélation inverse entre la productivité et la fréquence relative nâest pas confirmée en composition. La thèse a apporté plusieurs contributions : lâétude diachronique de productivité en composition, lâutilisation de différentes méthodes statistiques et un corpus original de composés français qui comporte 15 types différents.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 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 teacher head, 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".