Notice bibliographique
Résumé
Introduction In recent years, one major focus of conversation analysis (CA) has been to investigate how knowledge is distributed and negotiated among participants in interaction. Research has demonstrated that for conversationalists what each of them knows and how they know it are accountable matters (Heritage 1984a, 1998; Drew 1991; Schegloff 1996b; Roth 2002; Heritage and Raymond 2005; Raymond and Heritage 2006; Stivers 2005; Clift 2006a, 2006b; Golato and Fagyal 2008). As is the case for most CA research, the majority of these studies have been based on the analysis of English data. However, as Schegloff (2006) argues, human beings as a species face the same problems and issues in everyday life independently of language or culture. As “the primary, fundamental embodiment of sociality” (Schegloff 2006: 70), interaction is designed to address these problems and issues, though the way in which this gets done varies across languages or cultures (cf. Schegloff 2002a). It thus stands to reason that practices parallel or analogous to those described for English exist in other languages. Once identified, such practices may provide a basis for cross-linguistic comparison – allowing us to see the way in which the local resources of a particular language are mobilized to solve generic problems of interaction. In this chapter, I explore how Danish speakers orient to knowledge in interaction. Specifically, I identify two Danish practices, through which a recipient can index that a question is inapposite, because it inquires into something that should already be known to the questioner, and compare these with one previously described for English.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,021 | 0,072 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,008 | 0,028 |
| Communication savante | 0,010 | 0,028 |
| Science ouverte | 0,003 | 0,013 |
| Intégrité de la recherche | 0,013 | 0,017 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 0,006 |
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 source (Gemma direct ou Codex distillé), 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 ».