English Zero Derivation Revisited: Nouning and Verbing in Online Business Articles
Notice bibliographique
Résumé
Zero derivation is a word-formation process when from a word in a certain lexical (sub)category by adding a zero derivational affix, but with allowed inflectional interventions, another, new lexeme is created, with absolutely same form (from a derivational point of view); similar, expanded meaning; and, most importantly, belonging to a different lexical (sub)category. The analytical structure of English makes this a very frequent, productive, and economic process, across almost all categories, with the noun to verb and the verb to noun directions marking the most common process formations. Yet, regardless of the direction, the newly formed, zero derived lexeme belongs to a different lexical (sub)category not only based on the same form but on the similar semantics that the old and the new lexemes share, due to the meaning transfer through cognition. Having seen that the process of zero derivation is present and widespread in everyday life, this paper aims at researching its presence and productivity in online business articles, that is, in online texts which discuss business topics. Online media have been chosen since its quest for timely information requires fast expression and, in such a need, quick word-formation processes, like zero derivation, are in place, making the expression formally short but semantically expanded. Therefore, it is the cognitive transfer of meaning that drives the process. Similar to the reason for selecting online media, business articles have been used as a corpus, to show what language is used when discussing non-language-centred topics, that is, business.
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 | 0,055 |
| 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 ».