Bibliographic record
Abstract
Arguments a favor i en contra Per què etiquetar en català?20 Publiquem dos articles relacionats amb l'etiquetatge de productes en eatalà.El primer, que és una adaptació del que va ser publicat a la revista 'OCUC Expres', revista de l'Organització de Consumidors i Usuaris de Ca • talunya, pretén fer una anàlisi dels principals arguments per etiquetar en català.El segon descriu l'experiència de dinamització que va dur a terme el Centre de Normalització Lingüística d'Osona consistent a promoure per Nadal l'obsequi de lots i paneres amb productes etiquetats en català.Etiquetar en català L'etiquetatge en català sempre ha estat una qüestió controvertida.Tan lògic que sembla que a Catalunya s'etiqueti en català o també en català.Tan fàcil que sembla!La realitat, però, ens diu que no és ben bé així.En aquest article ens proposem fer una anàlisi del perquè, malgrat el fet que tothom o gairebé tothom troba normal etiquetar en la llengua del país, no trobem encara gaires productes que segueixin el que hauria de ser la normalitat, com a Bèlgica, com a Suïssa, com a Quebec i altres països plurilingües que han sabut trobar fórmules satisfactòries per a tothom: empresaris, consumidors i altres agents socials.A continuació mostrem, d'una manera sintètica, els arguments més freqüents a favor i en contra d'etiquetar en català: Com passa en altres camps, més que respondre a aquesta qüestió , potser més aviat caldria preguntar a qui no ho fa per què no etiqueta tamb é en català?Els arguments que es fan servir per no fer-ho es poden resumir en dos tipus: rebuig dels consumidors no catalans i augment dels costos o complicacions logístiques .Quant al primer argument, el suposat i hipotètic «rebuig de determinat sector castellanoparlant a Catalunya i d'espanyols a fora de Catalunya», mai no ha estat demostrat empíricament.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.014 | 0.007 |
| Scholarly communication | 0.013 | 0.003 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.006 | 0.008 |
| Insufficient payload (model declined to judge) | 0.062 | 0.026 |
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".