A corpus-based analysis of argument realization by preposition structures
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract This article studies the issue of argument realization by preposition structures. By examining the preposition structures that are marked as frame elements in FrameNet, the article attempts to give corpus-based attestations to the hypothesized link between deep semantic arguments and their surface syntactic representations. Problems addressed in this article include how argument realization by preposition structures can be predictable from the target lexical unit and the frame it evokes, and why some noncentral prepositions get selected in the argument realization options. The investigation is primarily inspired by Fillmore's work in frame semantics. The source data for this study is derived from a preposition knowledge base that we have recently built by extracting all the semantically annotated preposition structures in FrameNet. The analysis shows that while there are various semantic–syntactic mapping possibilities, for most semantic arguments, the tendency of using central prepositions in their realization expressions is very strong. This is a clear indication that some preposition structures are linked to certain semantic arguments more than they are to others. A similar experiment was conducted using the annotated PropBank corpus to corroborate the supporting evidence found in FrameNet. The results of this study, together with the syntactic–semantic mapping lists of preposition structures can provide raw linguistic data for the study of preposition semantics, lexicography, argument realization, word sense disambiguation, and natural language understanding.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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 découle