A Corpus-Based Approach to Lexicography: A New English-Russian Phraseological Dictionary
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper addresses the principles of constructing the first English-Russian phraseological dictionary based on corpus data. The purpose of the present research is to introduce a methodology for organizing the selected items in a corpus-searchable phraseme list of a dictionary, to discuss linguistic issues presenting difficulties for bilingual lexicography and to analyze semantic asymmetry between English and Russian phrasemes. To achieve this goal, the following methodology has been introduced: analyzing and retrieving idioms from monolingual and bilingual idiomatic dictionaries, determining the degree of frequency of the selected idioms, considering variants of idioms and arranging them in a systematic way, and developing an idiom list. A phraseme is used in this article as a general term for a multi-word phrase with at least one fixed component. The article demonstrates the advantages of compiling a phraseological bilingual dictionary based on an analysis of corpus data and using authentic examples in the lexicographic description of phrasemes. Using corpora provides a new perspective on the contextual behavior of phrasemes and restrictions of their usage. The paper discusses the impact of using parallel English and Russian corpora for analysis of non-trivial features of English phrasemes, in comparison with their Russian equivalents, in the process of constructing an English-Russian phraseological dictionary. After an introduction, the article presents the methodology and data applied in the research and then discusses the results of the study; the author provides evidence of the advantages of using corpora in bilingual lexicography.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
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 découle