Challenges in cross-linguistic corpus-assisted discourse studies
Notice bibliographique
Résumé
In this paper, I present some of the challenges and benefits arising from the use of cross-linguistic (i.e., involving comparable, non-parallel corpora of different languages) corpus-assisted discourse studies. Since corpus linguistics and discourse analysis ultimately focus on ‘real’ language use rather than theoretically constructed examples, it follows that the content of a corpus will be as varied as the population it is intended to represent; and this is true to an even larger extent when the population is ethno-linguistically diverse. Data for corpus-assisted discourse studies (CADS) research, then, can present numerous issues to researchers, particularly if they are drawing on multilingual data. In this paper, four examples of cross-linguistic CADS challenges are drawn from two cases in Canada, a country that contains a diverse population that is indexed by two official languages, English and French. I conclude this paper by suggesting solutions for each of these issues and call for more research into the comparative nature of cross-linguistic CADS research.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,412 | 0,575 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,031 | 0,032 |
| Études des sciences et des technologies | 0,020 | 0,026 |
| Communication savante | 0,036 | 0,047 |
| Science ouverte | 0,019 | 0,049 |
| Intégrité de la recherche | 0,010 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,004 |
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 source (Gemma direct ou Codex distillé), 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 ».