MétaCan
Menu
Retour à la cohorte
Enregistrement W2472912198 · doi:10.5539/ijel.v6n4p104

Different Approaches to the Objects of Phraseology in Linguistics

2016· article· en· W2472912198 sur OpenAlexvenueno aff
Kamala Vasif Guliyeva

Notice bibliographique

RevueInternational Journal of English Linguistics · 2016
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueDiscourse Analysis and Cultural Communication
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPhraseologyLinguisticsSet (abstract data type)Computer sciencePhilosophyProgramming language

Résumé

récupéré en direct d'OpenAlex

The article deals with phraseology and its object. Phraseology is known to be one of the difficult, debatable and interesting parts of linguistics. It appeared in the middle of the 19th century as a science, and was firstly dealt widely with by the scholars of the post-Soviet country. The early researchers of phraseology were Russian scholars and linguists such as Abakumov, Reformatski, Arnold, Bulakhovski, Ojegov, Amosova, Vinogradov, etc. Though being mostly investigated by Russian specialist, phraseology has been the target of the research of the following Azerbaijan linguists—Seyidov, Shiraliyev, Bayramov, Rustamov, Huseynzade, & Veliyeva. The subject matter of phraseology was very interesting to most linguists, however, it was impossible to originate a single theory on phraseology. In this article we have touched upon the main terms used in phraseology, such as, set expression, idiom, set phrase, fixed word-groups, word-equivalent, phraseological unit, etc. These terms are defined differently by some scholars. Connotational and denotational meanings of phraseological units are described discussed here. Besides, three approaches to the study of phraseological units (semantic approach, functional approach, contextual approach) are discussed in details.

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)0,009
score de la tête « metaresearch » (Gemma)0,010
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,050

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0090,010
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0100,010
Études des sciences et des technologies0,0040,044
Communication savante0,0140,022
Science ouverte0,0030,008
Intégrité de la recherche0,0050,012
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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 Opus0,085
Tête enseignante GPT0,337
Écart entre enseignants0,252 · 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'étudeThéorique ou conceptuel
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

Citations6
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of English LinguisticsMême sujetDiscourse Analysis and Cultural CommunicationTravaux en français237 207