MétaCan
Menu
Retour à la cohorte
Enregistrement W2315614137 · doi:10.1177/0075424216634795

Phonological Transfer as a Forerunner of Merger in Upstate New York

2016· article· en· W2315614137 sur OpenAlexaff
Aaron J. Dinkin

Notice bibliographique

RevueJournal of English Linguistics · 2016
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueLinguistic Variation and Morphology
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésTransfer (computing)LexemeLinguisticsPhonologyClass (philosophy)HistoryComputer sciencePhilosophyArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Herold (1990) discusses three mechanisms by which phonemic merger can take place: expansion, approximation, and transfer. A fourth possibility Herold touches on but does not explore might be called phonological transfer: as in (lexical) transfer, words move abruptly from one phonemic class to another; but rather than one lexeme at a time being transferred, all words of a particular phonological class move simultaneously. This paper provides evidence that phonological transfer is playing a role in the movement toward merger of /o/ (as in lot) and /oh/ (as in thought) in Upstate New York. Words containing (olF)—i.e., historical /o/ followed by /l/ plus a labiovelar, as in golf and revolve—are produced with /oh/ rather than /o/ in 74 percent of tokens; this use of /oh/ is increasing in apparent time. Many speakers using /oh/ in (olF) words have an otherwise clear phonemic distinction between /o/ and /oh/; however, the geographic distribution of this phonological transfer is correlated with other indices of progress toward the low back merger. This indicates that phonological transfer can be regarded here as an early sign of merger in progress, and that a single merger can proceed by two mechanisms simultaneously (here, approximation and phonological transfer).

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)0,000
score de la tête « metaresearch » (Gemma)0,002
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,105
Score d'incertitude au seuil0,209

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,002
Communication savante0,0020,002
Science ouverte0,0000,003
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,000

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 Opus0,036
Tête enseignante GPT0,305
Écart entre enseignants0,268 · 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

Citations10
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of English LinguisticsMême sujetLinguistic Variation and MorphologyTravaux en français237 207