English Morphemic Constituents Working for Discourse Wording: Extending Rank Scale from “Clause (Complex)” up to “Text (Type)”
Notice bibliographique
Résumé
<p>This paper aims to elaborate Halliday’s observation of “text as wording” alongside the already accepted view of “text as meaning” and, accordingly, to address two interrelated issues: (i) how morphemic options work for such grammatical units as words, groups / phrases, clauses, clause complexes and even text; and (ii) how they simultaneously create text wording apart from text meaning, the two being in complementarity, with wording as the main concern. The author first illustrates the grammatical and contextual functions morphemes serve for making text process as well as those units below. Next, it carries out a case study of a sample text to observe two aspects of the present issue: (i) the selections of relevant morphemic tense options, with a few lexical items, to construct their wording textures of discourse; and (ii) the underlying accumulations of identical categories into their expanding temporality domains on the one hand and the integrations and contractions into a meaning unit of the whole text on the other, both processes being visualised as two cones in opposite directions, with the two butts joint to form a spindle, a 3-dimensional model of text as “socio-semantic unit”, a project to be further run.</p>
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 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 | 0,044 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».