On ironic puns in Portuguese authentic oral data: how does multiple meaning make irony work?
Notice bibliographique
Résumé
In the present paper we focus on two Portuguese case studies (one in European Portuguese – EP and one in Brazilian Portuguese – BP) of the ironic oral discourse that result in verbal puns. In our analysis we postulate that studying multiple meanings (polysemy and homonymy) in puns can explain how irony functions on cognitive, linguistic and cultural levels given that (i) irony is a fundamental way of thinking about human experience (Gibbs & Colston, 2007, Gibbs, 2012); (ii) it is perspectivised and culturally grounded (Tobin & Israel, 2012, Dancygier & Sweetser, 2012, 2015); and (iii) linguistically explicit in verbal irony (Bryant, 2012, cf. Batoréo, 2016). The study is qualitative in character: the aim of the analysis is to exemplify cognitive and linguistic mechanisms culturally grounded that make irony work. In two case studies of authentic Portuguese discourse with ironic puns chosen out of larger corpora (cf. References) to be discussed in the present paper we shall argue that (i) polysemy and homonymy are cognitive and linguistic phenomena that trigger ironic puns; (ii) metonymy organised in metonymical chains or networks can be a complex cognitive mechanism that underlies polysemy; (iii) verbal puns are perspectivised and strongly culturally and historically grounded.
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 | 0,002 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,007 |
| Communication savante | 0,006 | 0,008 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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.
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 ».