MétaCan
Menu
Retour à la cohorte
Enregistrement W2619265518 · doi:10.1215/00031283-4153153

Oral Histories as a Window to Sociolinguistic History and Language History: Exploring Earlier Ontario English with the Farm Work and Farm Life Since 1890 Oral History Collection

2016· article· en· W2619265518 sur OpenAlexaffabout
Derek Denis

Notice bibliographique

RevueAmerican Speech · 2016
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueLinguistic Variation and Morphology
Établissements canadiensUniversity of Victoria
Organismes subventionnairesnon disponible
Mots-clésVariation (astronomy)Oral historyCasualLinguisticsHistorySociologyInterviewSociolinguisticsPsychologyAnthropologyLawPolitical science

Résumé

récupéré en direct d'OpenAlex

Archival oral histories provide sociolinguists with invaluable empirical insight, particularly with respect to studying vernaculars of the past. Because the goal of the oral history methodology is to capture authentic, first-person accounts, the recordings are comparable to sociolinguistic interviews. In this audio feature, the Farm Work and Farm Life Since 1890 Oral History project, which contains interviews with elderly farmers in Ontario, Canada, born between 1890 and 1920, is used to exemplify the utility of oral histories, particularly for variationist sociolinguists. The audio feature first demonstrates the parallels between sociolinguistic interviews and oral histories: both exhibit Labovian “casual speech” and high-emotive topics, both diminish the role of the interviewer, and, perhaps most importantly for variationist sociolinguists, both contain sociolinguistic variation. The remainder of the audio feature highlights some of this variation, including negative concord, was/were variation, and discourse like, and closes with a discussion of two revelations about the sociohistorical and sociolinguistic nature of the speech communities examined.

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)0,002
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,098
Score d'incertitude au seuil0,313

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0030,005
Études des sciences et des technologies0,0120,011
Communication savante0,0060,003
Science ouverte0,0010,004
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,034
Tête enseignante GPT0,256
Écart entre enseignants0,222 · 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'étudeQualitatif
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

Citations26
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAmerican SpeechMême sujetLinguistic Variation and MorphologyTravaux en français237 207