Defining dialect regions with interpretations: Advancing the multidimensional scaling approach
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
In our earlier work, an approach to defining dialect areas using multidimensional scaling (MDS) of the total collection of available raw data (from a region of Romania) has produced results that showed ‘some’ but ‘not all’ of the dialect distinctions that were anticipated. To investigate this situation, we have extended our approach in two ways, one methodological and one technical. Methodologically, we have switched from looking at raw data to examining interpretive maps based on recognized dialect distinctions. Further, we have categorized these interpretations as phonetic (regular and irregular), morphophonemic, morphological, and lexical, examining each category separately. The result is a much clearer set of dialect distinctions, as seen in the MDS pictures. However, the dialect distinctions vary by category, leading us to make suggestions about the role of each category in defining the notion of dialect. Our technical extension is the creation and use of a 3D viewer for looking at the MDS pictures. We project the linguistic-distance space into three, instead of two, dimensions, and manipulate the resulting structure interactively, thus uncovering and eliminating any accidental ‘closeness’, as sometimes happens in the 2D case. Strikingly, the resulting 3D objects seem to be very flat, which strongly suggests that there are only two relevant dimensions for distinguishing these dialects, although the two dimensions do not correspond exclusively to geographic dimensions. The result of these extensions is that the multidimensional approach becomes even more viable as a way of selecting dialect and dialect-transition areas, and perhaps more accessible for use with languages and dialects beyond our own study area.
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 | 0,001 | 0,003 |
| 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 | 0,001 | 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