Bibliographic record
Abstract
Histoires de jongleries par Suzelle Biais L'histoire des mots est souvent une source d'étonnement.Ceux qui nous intéressent ici en sont un bon exemple.Nous verrons comment le verbe jongler, ainsi que les noms jongleur et jonglerie, qui sont attestés depuis les XV et XVI e siècles en français général, ont pris, aux XVIf et XVIII 1 ' siècles, au contact des réalités particulières de la Nouvelle-France, des acceptions nouvelles qui vivent encore aujourd'hui ou ont vécu anciennement dans les différents parlers français nord-américains, soit notamment au Québec, en Ontario, en Acadie, en Louisiane, au Mississippi et au Missouri.S Le verbe jongler est attesté en ancien français sous la forme jogler « se jouer de » et « plaisanter ; faire le métier de jongleur », du latin joculari « dire des plaisanteries ».Jongler a eu le sens de « faire des plaisanteries » du XVI e jusqu'à la fin du XVII e siècle.Le lexicographe Pierre Richelet écrit en 1680 : « Le mot de jongler est vieux' ».À partir du sens de « Faire des subtilitez, des sauts périlleux, & des tours de passe-passe pour amuser & divertir le peuple », consigné dans Furetière en 1690 2 , et en relation avec jongleur, le verbe jongler s'est spécialisé dès 1546 dans son sens moderne de « lancer en l'air plusieurs boules ou autres objets qu'on reçoit et relance alternativement en entrecroisant leurs trajectoires ».
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.005 | 0.005 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.021 | 0.003 |
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".