Ben fin, très drôle, vraiment cool : analyse variationniste de l’intensification d’adjectifs dans le cinéma québécois des années 2000 à 2020
Bibliographic record
Abstract
Ce mémoire a pour but de répondre à une grande question de recherche : quelles sont les tendances d’intensification d’adjectifs en français québécois ? Pour répondre à cette question, il se penche sur le cas de 40 films francophones québécois produits entre 2000 et 2020. Notre étude recense tous les adjectifs intensifiables, intensifiés et non intensifiés, dans des phrases positives et négatives. À partir de ce corpus, elle propose des analyses probabilistes à l’aide de l’application Goldvarb. Trois grandes analyses sont menées : l’analyse de l’intensification v. la non-intensification (les facteurs qui motivent un locuteur à intensifier un adjectif), l’analyse des facteurs qui influencent le choix de la variante (ce qui motive un locuteur à choisir un intensificateur plus qu’un autre) et l’analyse des tendances d’intensification entre la première et la deuxième décennie du 21e siècle. Les analyses menées dans le cadre de ce mémoire déterminent que trois facteurs influencent significativement l’intensification des adjectifs : les adjectifs d’origine anglaise, les noms d’origine anglaise et la polarité de la phrase. Elles déterminent également que quatre intensificateurs sont fortement attestés en français québécois : bien, très, vraiment et tellement. Ce travail examine les tendances pour chacun de ces intensificateurs et interprète les résultats sous une perspective quantitative et qualitative. Les analyse révèlent que bien et très sont en déclin, que vraiment est un intensificateur novateur davantage attesté dans la deuxième décennie du 21e siècle que dans la première, et que tellement semble posséder toutes les caractéristiques d’un intensificateur novateur (bien que des recherches supplémentaires soient nécessaires). En somme, cette étude enrichit les travaux sur les intensificateurs en français québécois.
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
Direct model labels (unvalidated)
Per-model category and study-design labels from the labeling rounds. They are machine output, unvalidated, and the disagreement between models ships as data. No study design here is MEDLINE-validated yet.
| Model arm | Categories | Study design | Confidence |
|---|---|---|---|
| gemma | no category Domain: not available · Genre: Empirical About the Canadian research system: no · About a Canadian topic: yes | Qualitative | low |
| gpt | no category Domain: not available · Genre: Empirical About the Canadian research system: no · About a Canadian topic: yes | Qualitative | low |
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.002 | 0.000 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.002 |
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, unvalidatedLabeled directly by 2 models reading the full record.
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".