Comparing across languages in corpus and discourse analysis: some issues and approaches
Notice bibliographique
Résumé
Corpus-assisted discourse studies is, by its nature, interdisciplinary. However, this need to reach across borders becomes even more salient when we study discourses across languages, and this represents a natural intersection with translation studies. The aim of this paper is to reflect on the issue of comparison in cross-linguistic corpus-assisted discourse studies, positing a series of key questions including: How do we compare across or within corpora containing different languages? How do we identify meaningful language units for comparison in this context? How do we know that we are comparing like with like? Using a series of case studies, we start by addressing how we can approach comparison at the lexical level. We then move on to consider methods which allow us to abstract above the lexical level using three case studies which illustrate the use of semantic fields, discourse frames and rhetorical features. By presenting some issues and partial solutions regarding comparison across and within multilingual corpora, we hope to initiate a productive discussion in which we will also be able to collectively enrich and inform this set of resources.
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 | 0,230 | 0,302 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,035 | 0,038 |
| Études des sciences et des technologies | 0,017 | 0,049 |
| Communication savante | 0,042 | 0,048 |
| Science ouverte | 0,010 | 0,027 |
| Intégrité de la recherche | 0,007 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».