¿Qué twiteastes tú? Variation in second person singular preterit –s in Spanish tweets
Notice bibliographique
Résumé
Spanish dialects throughout Spain and the Americas have shown variation in the second person singular form of the preterit tense; in certain cases, a non-standard –s is found at the end of the verb conjugation (fuistes, comistes, dijistes, etc). This has been mentioned descriptively by several researchers as a cross-dialectal as well as historical feature of many dialects, yet little empirical data is available on this topic related to what factors constrain the variable. In fact, only one study has looked at this phenomenon from a variationist perspective (see Barnes, 2012). This study borrows certain methodological aspects of Barnes’ (2012) analysis of oral data but applies them to the analysis of the variable as it exists in the written sphere. Data is collected through the social media mogul Twitter and tabulated with the multiple regression logistic software, GoldVarb X (Sankoff, Tagliamonte, & Smith, 2005). The data suggests that verb frequency is the only factor group that significantly conditions one variant over another, with high frequency verbs highly conditioning the standard and low frequency verbs highly conditioning the non-standard. Varios dialectos españoles que se encuentran en España y en la Américas tienen una tendencia de demostrar variación en la forma de segunda persona singular del pretérito; en ciertos casos, se encuentra una –s no-estándar al final de la conjugación del verbo (fuistes, comistes, dijistes, etc). Este fenómeno ha sido mencionado descriptivamente por varios investigadores como un rasgo inter-dialectal y también histórico, sin embargo, no hay muchos datos empíricos disponibles acerca de qué factores lingüísticos restringen la variable. De hecho, solamente un estudio ha explorado el fenómeno desde la perspectiva variacionista (véase Barnes, 2012). Este estudio toma prestado algunos aspectos metodológicos del análisis de data oral de Barnes (2012) pero los aplica al análisis de la variable dentro del ámbito escrito. Los datos se recogen a través la red social enorme Twitter y se tabulan con el programa estadístico GoldVarb X (Sankoff, Tagliamonte, & Smith, 2005). Se encuentra que la frecuencia del verbo es el único factor que significativamente restringe la variable; los verbos de alta frecuencia condicionan el uso de la forma estándar mientras que los de baja frecuencia favorecen la no-estándar.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».