The use of<i>any</i>with factive predicates
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
Abstract While Negative Polarity Items are generally ungrammatical in veridical environments (* I said anything ), they are known to be found in factive environments that involve veridicality ( I regret you said anything ). There is however disagreement in the literature about the types of factive environments in which any is found. This paper proposes the first systematic large-scale survey of the use of any with factive predicates. Based on corpora totaling nearly 5 billion words, the paper establishes the relative frequency of any licensed by the different factive predicates (epistemic factives, as well positive, negative and counterexpectative emotives). Negative emotive factives (e.g. regret ) were found to license any 1.8 times more frequently than counterexpectative factives ( be amazed ), which license any 25.8 times more than do positive emotives ( be glad ). Emotive factives are associated with counterfactual preferences and expectations that make available a negative reading that licenses any . The examination of the data does not support a rescuing analysis that separates these occurrences of any from other licensed uses. On the contrary, the data show that any is licensed by at-issue meaning, as proposed by (Horn, Laurence. 2016. Licensing NPIs: Some negative (and positive) results. In Pierre Larrivée & Chungmin Lee (eds.), Negation and polarity. Experimental and cognitive perspectives , 281–305. Dordrecht: Springer.).
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle