MétaCan
Menu
Retour à la cohorte
Enregistrement W2952234295 · doi:10.1075/aplv.17001.nag

Classifier use in Heritage and Hong Kong Cantonese

2019· article· en· W2952234295 sur OpenAlexaffabout
Naomi Nagy, Samuel Lo

Notice bibliographique

RevueAsia-Pacific Language Variation · 2019
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueMultilingual Education and Policy
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésHeritage languageHomelandNounLinguisticsClassifier (UML)PsychologyHistoryComputer scienceArtificial intelligencePolitical science

Résumé

récupéré en direct d'OpenAlex

Abstract Heritage language speakers have frequently been reported to have language skills weaker than homeland (monolingual) speakers. For example, Wei and Lee ( 2001 , p. 359), a study of British-born Chinese-English bilingual children’s morphosyntactic patterns (including classifier use), report “evidence of delayed and stagnated L1 development.” However, many studies compare heritage speaker performance to a prescriptive standard rather than to spontaneous speech from homeland speakers. We compare spontaneous speech data from two generations of Heritage Cantonese speakers in Toronto, Canada, and from Homeland Cantonese speakers in Hong Kong. Both groups are similar in a strong preference for general and mass classifiers, and classifier choice being primarily governed by the noun’s number. We observe specialization of go3 個 to singular nouns, a grammaticalization process increasing with each generation. The similarity between homeland and heritage patterns replicates previous studies utilizing the same corpus.

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)0,000
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 enseignants0,639
Score d'incertitude au seuil0,957

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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 recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,031
Tête enseignante GPT0,367
Écart entre enseignants0,336 · 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

Citations10
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAsia-Pacific Language VariationMême sujetMultilingual Education and PolicyTravaux en français237 207