Bibliographic record
Abstract
Cette étude vise à faire l’analyse de l’usage des différentes formes d’écriture inclusive en français québécois et hexagonal, répertoriées par l’Office québécois de la langue française, le Haut Conseil à l’Égalité entre les Femmes et les Hommes ainsi que l’Institut National de Recherche Scientifique, sur la plateforme de réseau social Twitter dans la période du 26 octobre 2014 au 26 octobre 2020. L’analyse se penche sur la possible influence de la prise de position de l’Académie française le 26 octobre 2017, contre l’usage de l’écriture inclusive. Dans le cadre de cette étude, un ensemble de noms de métiers (président, conseiller, patron, maire, avocat, docteur, coiffeur et expert) a été analyse à l’aide de l’extraction de gazouillis géolocalisés à Paris et à Montréal. Les résultats nous indiquent que les échantillons parisien et montréalais varient en termes du taux d’usage des formes inclusives; les personnes géolocalisées à Paris auraient plus souvent recours aux formes inclusives de manière statistiquement significative (p<0,001). Malgré cette différence, on observe que dans les contextes où les items lexicaux ont des déclinaisons épicènes, l’usage de cette stratégie sera privilégiée comparativement aux autres formes inclusives. \n_____________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : sociolinguistique, écriture inclusive, genre grammatical, français, production écrite, écriture en ligne, Twitter, réseaux sociaux.
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 | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.038 | 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".