MétaCan
Menu
Retour à la cohorte
Enregistrement W2100313834 · doi:10.1037/a0013012

Making sense of word senses: The comprehension of polysemy depends on sense overlap.

2008· article· en· W2100313834 sur OpenAlexafffund
Ekaterini Klepousniotou, Debra Titone, Carolina Romero

Notice bibliographique

RevueJournal of Experimental Psychology Learning Memory and Cognition · 2008
Typearticle
Langueen
DomainePsychology
ThématiqueLanguage, Metaphor, and Cognition
Établissements canadiensMcGill UniversityCentre for Research on Brain Language and Music
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanada Foundation for InnovationFaculty of Medicine, McGill University
Mots-clésPolysemyMetonymyPsychologyComprehensionLinguisticsContext (archaeology)Meaning (existential)Dominance (genetics)MetaphorPhilosophy

Résumé

récupéré en direct d'OpenAlex

Studies of polysemy are few in number and are contradictory. Some have found differences between polysemy and homonymy (L. Frazier & K. Rayner, 1990), and others have found similarities (D. K. Klein & G. Murphy, 2001). The authors investigated this issue using the methods of D. K. Klein and G. Murphy (2001), in whose study participants judged whether ambiguous words embedded in word pairs (e.g., tasty chicken) made sense as a function of a cooperating, conflicting, or neutral context. The ambiguous words were independently rated as having low, moderate, or highly overlapping senses to approximate a continuum from homonymy to metonymic polysemy. The effects of meaning dominance were examined. Words with highly overlapping meanings (e.g., metonymy) showed reduced effects of context and dominance compared with words with moderately or low overlapping meanings (e.g., metaphorical polysemy and homonymy). These results suggest that the comprehension of ambiguous words is mediated by the semantic overlap of alternative senses/meanings.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,022
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,022
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,004
Science ouverte0,0000,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,064
Tête enseignante GPT0,366
Écart entre enseignants0,302 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations219
Publié2008
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Experimental Psychology Learning Memory and CognitionMême sujetLanguage, Metaphor, and CognitionTravaux en français237 207