Notice bibliographique
Résumé
The main goal of this paper is to compare search for and look for in the TV Corpus (TVC), the Movie Corpus (MC), the Corpus of Contemporary American English (COCA), and the British National Corpus (BNC). When it comes to the TV Corpus, it is interesting to point out that look for was preferable to search for in the TV programs of America, the UK, Canada, Australia, New Zealand, and Ireland. A further point to note is that the frequency of search for (1,898 tokens) and look for (5,423 tokens) reached a peak in the 2010s. With respect to the Movie Corpus, it is interesting to note that look for was favored over search for in the movies of six countries. More interestingly, search for (515 tokens) and look for (2,259 tokens) reached a peak in the 2010s. The COCA clearly shows that search for truth (369 tokens) and look for ways (566 tokens) are the most preferred by Americans. It is significant to note, on the other hand, that 36.36% of forty four nouns are the collocations of both search for and look for in the COCA. Similarly, the BNC shows that search for evidence (19 tokens) is the most commonly used one in the UK, whereas look for work (34 tokens) is the most widely used one. Finally, it is noteworthy that 17.64% of fifty one nouns are the collocations of both search for and look for in the BNC.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| 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 ».