MétaCan
Menu
Retour à la cohorte
Enregistrement W2767253413 · doi:10.31390/gradschool_theses.2376

Getting warm(er) an investigation into linguistic relativity and its significance in the translation of the English lexical term "warm" into French

2008· dissertation· en· W2767253413 sur OpenAlexaboutno aff
E.R. Addison

Notice bibliographique

Revuenon disponible
Typedissertation
Langueen
DomainePsychology
ThématiqueCategorization, perception, and language
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésLinguisticsVocabularyVariety (cybernetics)Affect (linguistics)Meaning (existential)Lexical itemLiteral translationTerm (time)PsychologyLiteral and figurative languageLexical densityComputer scienceSource textArtificial intelligencePhilosophy

Résumé

récupéré en direct d'OpenAlex

Students of foreign languages are well aware that every language has its own vocabulary and word-for-word translations are rarely valid. It is therefore unsurprising that identifying literal translations in French for the English lexical term “warm” is problematic. This study demonstrates that not only is there a variety of French lexical terms that can be used to convey the meaning that the English lexical term “warm” conveys, but that certain French lexical terms are more likely to be used only in certain situations. Furthermore, an examination of this phenomenon through the lens of linguistic relativity has revealed differing conceptualizations of temperature for native French versus native English speakers. Linguistic relativity is the theory that one’s native language can actually affect the way one thinks about the world. In this study, the theory is examined from the points of view of various linguists and translators, including Whorf, Saussure, Wierzbicka, and others. Linguistic relativity is then applied to French and English speakers’ conceptualizations of temperature. Both oral and written data is collected for this study; participants are both interviewed on tape and fill out a written questionnaire. Native French speakers are from various regions of France, Switzerland, Quebec, Africa, and South Louisiana. This study is limited to the adjectival and non-figurative use of the English lexical term “warm”. The results of this study reveal that while there are many possible translation into French of the English lexical term “warm” depending on the situation and the speakers’ personal preferences and intents, certain French lexical terms are more likely to be used in particular situations. Based on the results of this study, the preferred French translations of the English lexical term “warm” are: chaud ‘hot’, tiède ‘lukewarm’, and bon ‘good’. Due to their differing language systems, native French speakers and native English speakers classify temperatures differently, and in doing so, their experiences of temperature are interpreted differently. This difference in interpretation undoubtedly means that linguistic relativity is at play.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,936
Score d'incertitude au seuil0,996

Scores Codex et Gemma par catégorie

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

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 Opus0,025
Tête enseignante GPT0,313
Écart entre enseignants0,288 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations0
Publié2008
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetCategorization, perception, and languageTravaux en français237 207