Modèle hiérarchisé des dix principes majeurs d'élaboration de données de grammaire d'approche raisonnée
Bibliographic record
Abstract
Le texte de ce mémoire pose le problème des stratégies à retenir pour favoriser l'élaboration de données de grammaire de qualité, de telles données étant définies dans ce mémoire comme d'approche raisonnée et pouvant s'intégrer aux contenus du courant de grammaire dite logique et raisonnée. Des données d'une telle nature devraient pouvoir être adoptées - ce semble aller de soi - par tout courant de grammaire tourné vers la compréhension et l'explication fine. \n \nLouise Lefebvre (2000) et Guillaume Couture (2000) ont identifié à titre de stratégies, la première, sept principes, le second, un huitième principe, susceptibles de guider efficacement le travail d'élaboration de données grammaticales d'approche raisonnée. Ce travail de recherche veut profiter de l'élaboration d'un matériel didactique sur la conjugaison du verbe français, produit par le professeur Raymond Claude Roy et l'Équipe FRAMÉE de recherche en grammaire et didactique du français, pour réexaminer les principes proposés par Lefebvre et Couture afin de les nuancer ou même de les écarter, pour également voir s'il n'y a pas lieu d'identifier quelqu'autre principe à avancer. La réflexion porte aussi sur une hiérarchisation des principes retenus. \n \nLe résultat obtenu est celui de reconnaître que l'effort d'élaboration de données grammaticales d'approche raisonnée doit prendre son départ dans un examen critique des données de la grammaire traditionnelle (premier principe), lesquelles ne sont pas à écarter de façon désinvolte. Il est celui de poser ensuite que l'effort d'élaboration gagne à puiser aux analyses de la linguistique structurale, particulièrement psychomécanique (deuxième principe), et aux analyses de linguistique menées dans la même veine (troisième principe). \n \nLa réflexion poursuivie dans le mémoire identifie ensuite quelques balises à respecter : c'est ainsi que les efforts d'élaboration doivent s'attacher à traiter de tous les cas d'emploi (quatrième principe), s'attacher à reconnaître la place prépondérante de l'oral (cinquième principe), et s'attacher à produire des données de nature majoritairement synchronique (sixième principe). \n \nEnfin, les données grammaticales produites doivent se présenter simples, claires et nettes (septième principe) et devront pouvoir rendre compte de la vie de la langue (huitième principe). Les données produites gagneront également à s'enrichir de procédés didactiques les épousant (neuvième principe). Un dixième et dernier principe propose de ne pas fuir les données échappant à l'explication, de plutôt leur faire une place de choix à titre d'hypothèses. Il est encore posé que d'autres principes pourront être avancés éventuellement à la lumière d'analyses méthodologiques plus poussées. \n \nL'analyse de méthodologie - menée aussi rigoureusement que possible dans ce travail de recherche - fournit donc à ceux et celles qui choisissent de s'attaquer à l'élaboration de données grammaticales d'approche raisonnée dix principes susceptibles de les mener au succès. A supposer, dernière réflexion, que des intuitions opportunes viennent alimenter la démarche mductive d'élaboration.
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 | 0.006 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.008 |
| Scholarly communication | 0.009 | 0.010 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.002 | 0.006 |
| Insufficient payload (model declined to judge) | 0.023 | 0.008 |
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".