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 whichanyis found. This paper proposes the first systematic large-scale survey of the use ofanywith factive predicates. Based on corpora totaling nearly 5 billion words, the paper establishes the relative frequency ofanylicensed by the different factive predicates (epistemic factives, as well positive, negative and counterexpectative emotives). Negative emotive factives (e.g.regret) were found to licenseany1.8 times more frequently than counterexpectative factives (be amazed), which licenseany25.8 times more than do positive emotives (be glad). Emotive factives are associated with counterfactual preferences and expectations that make available a negative reading that licensesany. The examination of the data does not support a rescuing analysis that separates these occurrences ofanyfrom other licensed uses. On the contrary, the data show thatanyis 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.
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 | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,003 | 0,007 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».