MétaCan
Menu
Retour à la cohorte
Enregistrement W3000379419 · doi:10.5539/ijel.v10n1p384

Insights into the Semantics of Reduplication in English and Arabic

2020· article· en· W3000379419 sur OpenAlexvenueno aff
Khaled Mohammed Moqbel Al-Asbahi

Notice bibliographique

RevueInternational Journal of English Linguistics · 2020
Typearticle
Langueen
DomainePsychology
ThématiqueLanguage, Metaphor, and Cognition
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésReduplicationLinguisticsComputer scienceHistoryPhilosophy

Résumé

récupéré en direct d'OpenAlex

The paper aims to describe and compare the semantics of reduplication in English and Arabic. The paper shows more semantic similarities in reduplication than differences between both languages; although, Arabic reduplication is noted to be semantically more productive than English reduplication. Both languages divide reduplication into full/partial, free/bound, and continuous/discontinuous. Moreover, both languages share the senses of reduplication like; repetition, emphasis, intensity, onomatopoeia, contempt, affection, plurality, non-uniformity, and instability, nonsense, spread out, scatter, movement, contrast, continuity, completion, and lack of control. The semantic connection was developed between most of these concepts, which showed that ambiguity was common between both languages. Both the languages used reduplication in the nursery rhymes, lyrics, games, prayers, second language teaching, children’s phonics cartoons, advertisements, tongue twisters, slogans, newspaper headlines, and political and ideological rhetoric. These similarities support the belief of some linguists stating that different languages in the world share a variety of ‘universal’ semantic features. The study concluded that Arabic reduplication was semantically more productive than English reduplication.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0020,005
Communication savante0,0040,005
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,018
Tête enseignante GPT0,296
Écart entre enseignants0,278 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
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

Citations7
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of English LinguisticsMême sujetLanguage, Metaphor, and CognitionTravaux en français237 207