MétaCan
Menu
Retour à la cohorte
Enregistrement W3090948828 · doi:10.5539/ijel.v10n6p287

Linguistic Landscape in Promotion of Language Through Traffic Signboards: An Introduction to the Signs in Pakistani Roads and Highways

2020· article· en· W3090948828 sur OpenAlexvenueno aff
Syed Khuram Shahzad, Javed Hussain, Samina Sarwat, Amna Ghulam Nabi, M. Mumtaz Ahmed

Notice bibliographique

RevueInternational Journal of English Linguistics · 2020
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueLanguage, Discourse, Communication Strategies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésLinguistic landscapePromotion (chess)LinguisticsMandarin ChineseDimension (graph theory)Plan (archaeology)GeographyPsychologyPolitical scienceArchaeologyMathematicsLaw

Résumé

récupéré en direct d'OpenAlex

This present research is about how the linguistic landscape brings about the promotion of language and public awareness. The linguistic landscape is a sociolinguistic phenomenon that is used for the promotion of language and culture as well. Linguistic landscape can be seen everywhere in the society as in advertisement billboards, traffic signboards, public awareness messages on the signboards, buildings, shopping centers, airports, etc. This study covers the dimension of traffic signboards and how they are consciously or unconsciously are promoting the language in Pakistan, especially the Urdu, the National language of Pakistan, English, the international language, the Mandarin, the language of China, and the Sign language. Two hundred and ten traffic signboards are selected for the completion of this research. The data collected from the traffic signboards of the motorways, highways of all the provinces of Pakistan. The purposive sampling technique is used for this study. This study will disclose how traffic signboards are promoting the language written over them, whether written or sing language. The data was analyzed through observation with the pictures of traffic signboards. The present study is qualitative in nature, so the data is analyzed and interpreted in the description form.

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)0,014
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,564
Score d'incertitude au seuil0,994

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,014
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)0,0000,000

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 Opus0,036
Tête enseignante GPT0,304
Écart entre enseignants0,268 · 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.

Devis d'étudeQualitatif
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

Citations2
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of English LinguisticsMême sujetLanguage, Discourse, Communication StrategiesTravaux en français237 207