Notice bibliographique
Résumé
Traditional grammar holds that parts of speech have broad semantic definitions: verbs are actions, nouns are entities, adjectives are states of being, and prepositions denote locations (Baker, 2003). This view is problematic, however, given that semantic concepts are lexicalized differently across languages. For example, through my field work with a native speaker of Kinyarwanda (Bantu family, spoken in Central Africa), I have found that in this language, states can be lexicalized as adjectives, nouns, or verbs: (1) umugabo ni munini “The man is big” ADJECTIVE MAN IS LARGE (2) imbwa n’ umweru “The dog is white” NOUN DOG IS WHITE (3) imbwa yera “The dog is white” VERB DOG BE.WHITE The state of “being big” appears as an adjective, while the state of “being white” can be both a noun (2) and a verb (3). The difference in category is appears to be motivated by the relative permanence of the state in question. A changing (or changeable) state is encoded as a verb (3). To reflect a permanent/unchanging state, an adjective or noun is used (12). Because the inventory of adjectives in Kinyarwanda is extremely limited, many “adjectival” permanent states are encoded as nouns. This alternation demonstrates the central role of Aspect (defined as a linguistic function that “characterizes the relationship of a predicate to the time interval over which it occurs” (Chung and Timberlake 1985:213)) in the lexicalization process. Aspect in Kinyarwanda takes the form of a verbal suffix, thereby necessitating the use of a verb when the state undergoes some sort of change. This phenomenon provides evidence that parts of speech are defined at least in part by a language’s syntactic requirements above and beyond broader semantic generalizations.
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 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 | 0,002 | 0,004 |
| 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 | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».