Notice bibliographique
Résumé
This paper presents a detailed description and formal semantic analysis of habitual sentences in Tlingit (Na-Dene; Alaska, British Columbia, Yukon). As in many other languages (Carlson 2005, 2012), there are two means in Tlingit for expressing a habitual statement, such as my father eats salmon. The first employs a relatively unmarked verb, realizing imperfective aspect. In the second type of habitual sentence, however, the verb bears special habitual morphology. Although there is a significant overlap in the use of these constructions, certain semantic contrasts do exist. Most notably, the special habitual marking cannot be used to express pure, unrealized dispositions/functions/duties (e.g., Mary handles any mail from Antarctica). In other words, Tlingit habitual morphology --- unlike imperfective aspect --- requires the habituality in question to have actually occurred, an effect that has also observed for habitual morphology in a variety of other, unrelated languages (Green 2000, Bittner 2008, Boneh & Doron 2008, Filip 2018). I develop and defend a formal semantic analysis that captures these (and other) contrasts between imperfective and habitual verbs. In brief, imperfective aspect is argued to possess a modal semantics, quantifying over alternative worlds/situations (Arregui et al. 2014, Ferreira 2016). Habitual morphology, however, is argued to be associated with a (potentially covert) quantificational adverb, one that quantifies strictly over times in the actual world. The consequences of this account for the analysis of habitual sentences in other languages are explored. Most notably, we find that (i) “habituality” so-called is potentially a heterogeneous phenomenon, and resists unified definition or semantic analysis, and (ii) therefore is a sui generis category of phenomena, which cannot be reduced as an instance of aspect or modality (Filip & Carlson 1997, Filip 2018). EARLY ACCESS
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,009 |
| Communication savante | 0,004 | 0,010 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».