Language Policies of Rwanda : Stakes, Assessment and Perspectives
Bibliographic record
Abstract
Toute la population du Rwanda parle une même langue, le kinyarwanda, à la fois langue nationale et officielle. Cette homogénéité linguistique « de surface » se présente comme l’arbre qui cache la forêt d’une relative diversité linguistique « en profondeur » (dialectes, langues africaines et européennes en présence). L’heure n’est pas encore au chaos, mais l’adoption du trilinguisme officielle en 1996 [(kinyarwanda-français-anglais) impose, plus que par le passé, la définition d’une politique de gestion de la situation sociolinguistique du Rwanda, notamment par la détermination claire, par une loi linguistique, des fonctions des langues officielles dans les différents domaines, pour régler les problèmes qui se posent depuis le bilinguisme kinyarwanda-français adopté vers les années 1930. Les problèmes linguistiques et sociolinguistiques intéressent diverses catégories de personnes depuis le début du 20ème siècle. Cependant, la question de l’utilisation des langues dans les différents domaines et de leur connaissance approximative reste entièrement posée. Ce travail analyse les politiques linguistiques appliquées au Rwanda jusqu’à ce jour pour en dégager les enjeux et en établir le bilan afin de proposer de nouvelles stratégies de gestion de la situation sociolinguistique du Rwanda. Il s’agit en effet d’une politologie linguistique qui s’inscrit dans le cadre théorique et conceptuel déjà très rodé et dont l’efficacité a pu être testée sur le terrain dans différents pays ; cadre théorique qui est emprunté pour l’essentiel au linguiste québécois Jean-Claude Corbeil. Il est enrichi des analyses d’autres auteurs comme Robert Chaudenson, Louis-Jean Calvet, Loïc Depecker, Henri Boyer, etc. sur le concept d’aménagement linguistique et sur des situations concrètes. L’étude s’appuie à la fois sur une recherche documentaire minutieuse, une enquête de terrain qui a été effectuée au Rwanda auprès des diverses catégories de personnes et quelques entretiens informels avec certains intervenants en matière d’aménagement linguistique (linguistes et décideurs).
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 | 0.004 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 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 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".