Factors that Influence the Processing of Noun-Noun Metaphors
Notice bibliographique
Résumé
We analyzed the processing of noun-noun metaphors (e.g., velvet lips), which have been relatively understudied, compared to other types of figurative expressions, such as X is Y metaphors (e.g., Her lips are velvet) and similes (e.g., Her lips are like velvet). Experiment 1 revealed that noun-noun metaphors are semantically comparable to X is Y metaphors and similes, in the sense that the figurative meaning stays the same across these three different formats (e.g., participants agree to similar degrees that Lips are velvet, Lips are like velvetand velvet lips all mean that lips are soft). Experiment 2 showed that noun-noun metaphors behave similarly to compound words: In the same way that compound words with semantically opaque heads (e.g., jailbird) are processed slower than compounds with transparent heads (e.g., strawberry), noun-noun phrases with metaphorical heads (e.g., relationship patch) are processed slower than noun-noun phrases with literal heads and metaphorical modifiers (e.g., bandaid solution). Experiment 3 determined that noun-noun metaphors behave similarly to X is Y metaphors: In the same way that X is Y metaphors require the inhibition of irrelevant features (e.g., Some barrels are wooden interferes with the interpretation of Some stomachs are barrels because the former activates irrelevant features of barrel that later need to be suppressed), noun-noun metaphors also involve inhibition (e.g., jean patch interferes with the interpretation of relationship patch because the former activates certain features of patch, such as being made of cloth, that are irrelevant for the proper comprehension of the noun-noun metaphor).
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 | 0,001 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».