MétaCan
Menu
Retour à la cohorte
Enregistrement W2528240008 · doi:10.1017/cbo9781139583800.004

Methods: how to tap teen language?

2016· book-chapter· en· W2528240008 sur OpenAlexaff
Sali A. Tagliamonte

Notice bibliographique

RevueCambridge University Press eBooks · 2016
Typebook-chapter
Langueen
DomaineSocial Sciences
ThématiqueGender Studies in Language
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésLinguisticsComputer scienceSociologyPsychologyPhilosophy

Résumé

récupéré en direct d'OpenAlex

And these are all girls who are pretty smart, and they have some of the little you know idiosyncrasies of youth language, but they're pretty articulate. They can express an idea, provide an opinion and are pretty self-assured and yeah. (Candice Yuranyi, 40) Imagine you overhear a person say: That's like so random and another person say: That's very unpredictable. Which person is almost certainly younger and which older? Which one is using “proper” English and which one is using slang? You might feel you could guess the correct answer to both of those questions. But there's another question that's more interesting: why do young people and old people use language so differently in the first place? Let's consider three basic facts about language: Language is always changing. No one can stop language change – not teachers, not parents, not the prime minister. Age has a huge impact on how a person uses language. In our culture, young people usually try to set themselves apart from the older generation – through clothing and appearance, preferences in music, and acutely through language. That's because language is a very important symbol of social solidarity. The ways we use language let other people know who we are and where we belong. As teens gain independence and come in contact with a wider circle of friends, they are exposed to an increasingly rich range of new language uses. When these new uses spread among more and more teens, new expressions enter English, and sometimes they even influence English grammar. This is how young people become the driving force behind language change. You might also be interested to know that girls are far more likely to use new features of language than boys are, which means that girls are the primary transmitters of new usages. Where do the “new” features of language come from? Young people do not create them out of nothing. As we shall see, young people take the materials already available in the language and modify them in new ways. Here's an example. An older person will almost always use the word very when emphasizing something: “That's very fine.” A middle-aged person will be more likely to use really , as in “That's really nice.” And an adolescent today will undoubtedly say, “That's so cool.”

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)0,021
score de la tête « metaresearch » (Gemma)0,029
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,030
Score d'incertitude au seuil0,114

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0210,029
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0020,007
Communication savante0,0040,011
Science ouverte0,0020,004
Intégrité de la recherche0,0020,004
Charge utile insuffisante (le modèle a refusé de juger)0,0300,015

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 Opus0,041
Tête enseignante GPT0,298
Écart entre enseignants0,258 · 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'étudeSans objet
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCambridge University Press eBooksMême sujetGender Studies in LanguageTravaux en français237 207