Causative/Inchoative Verb Alternation in Altaic Languages: Turkish, Turkmen, Nanai and Mongolian
Notice bibliographique
Résumé
The purpose of the study is two-fold. First, a statistical analysis of the morphology of causative/inchoative verb alternation is carried out in Japanese and in 13 Altaic languages, i.e., Turkish, Turkmen, Nanai, Khakas, Udihe, Uzbek, Sakha, Manchu, Kyrgyz, Mongolian, Kazakh, Ewen, and Azerbaijani. The findings reveal that causative/inchoative verb alternation (a) can be realised via the insertion of an infix (‘-uul-’, ‘-e-’, ‘-g-’, etc.); (b) can be inchoative root-based, with transitive verbs derived via attaching a suffix to the inchoative verb roots (‘-dur-’, ‘-t-’, ‘-ir-’, ‘-dyr-’, ‘-wəən-’, ‘-buwəən-’, ‘-r-’, ‘-wənə-’, ‘-nar-’, ‘-ier-’, ‘-er-’, ‘-bu-’, ‘-ʊkan-’); (c) can be causative verb-based, with inchoative verbs being derived via attaching a suffix to the causative verb roots (‘-p-’, ‘-n-’, ‘-ul-’, ‘-il-’); and (d) can be realised via consonant alternation (‘-r-’ (transitive) / ‘-n-’ (intransitive); ‘-t-’ (transitive) / ‘-n-’ (intransitive)). This study further attempts to pin down the affiliation of these languages with the Japanese language. It compares the morphological findings with Japanese bound morphemes in causative/inchoative verb alternation and then delves into the phonological issues, i.e., consonant alternation and vowel harmony. A proposal is put forward: phonologically and morphologically, Japanese has a good deal of resemblance to the 13 Altaic languages.
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 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 | 0,026 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».