Ça fait un bon moment que j'ai pas posté on here - l’utilisation de l’anglais dans les vlogs français et québécois sur YouTube
Bibliographic record
Abstract
Ce mémoire de master étudie deux phénomènes de contact de langues, les emprunts linguistiques et l’alternance codique, dans les vidéos YouTube. L’objectif de cette étude est d’identifier les occurrences d’anglais dans le corpus, de les classifier et de les analyser. Nous examinons quelles sont les différences d’emprunts et d’alternance codique du point de vue quantitatif, quels types d’emprunts et d’alternance codique se trouvent dans le corpus étudié et comment la présence de l’anglais de manifeste dans les vidéos YouTube françaises et québécoises. Le corpus est constitué de vidéos YouTube de type vlog. Comme l’objectif de cette étude est de comparer l’utilisation de l’anglais dans les vidéos québécoises et françaises, des vidéos issues de ces deux pays ont été choisies. Le corpus inclut six créatrices de contenu, trois au Québec et trois en France. Par youtubeuse, nous avons sélectionné entre 34 et 48 minutes de vidéos, soit au total 4 heures, 9 minutes et 22 secondes de vidéo. L’étude combine l’analyse quantitative et l’analyse qualitative. Les emprunts sont rangés soit dans la catégorie d’emprunts établis, soit dans celle d’emprunts spontanés. Les alternances codiques sont classes en alternances extra-phrastiques, interphrastiques et intraphrastiques. L’étude se situe dans les domaines d’étude de la sociolinguistique et de la lexicologie. L’étude démontre qu’il y a plus d’énoncés en anglais dans les vidéos québécoises que dans les vidéos françaises. C’est le cas pour les emprunts et les alternances codiques. Sur un total de 1840 mots prononcés en anglais, 94,2 %, ou 1734 mots, viennent des vidéos québécoises. 5,8 %, ou 106 des mots prononcés en anglais, viennent des vidéos françaises. Nous avons trouvé 173 occurrences d’emprunts au total dans les vidéos québécoises, et 70 occurrences d’emprunts dans les vidéos françaises. L’analyse des alternances codiques montre qu’il y a plus d’alternance codique dans les vidéos québécoises du corpus étudié, comparé aux vidéos françaises. Nous avons pu identifier 1561 mots prononcés en alternance codique dans les vidéos québécoises, contre seulement 36 mots dans les vidéos françaises. L’étude montre que le contact de langues ne peut pas être évité. En examinant les vidéos issues de deux pays francophones, nous pouvons voir que les marques transcodiques sont observés dans le langage quotidien des youtubeuses québécoises et françaises, et que l’emprunt linguistique et l’alternance codique sont trouvés en abondance dans le corpus étudié. En tenant compte des dimensions sociolinguistiques du corpus examiné, l’étude montre que l’utilisation de l’anglais fonctionne comme une construction d’identité de youtubeur.euses et un signe d’appartenance au groupe social des jeunes.
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 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.008 | 0.005 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.015 | 0.003 |
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".