Notice bibliographique
Résumé
Abstract Typologists classify languages as subject‐prominent, topic‐prominent, subject‐prominent and topic‐prominent, and neither subject‐prominent nor topic‐prominent. Some Asian languages that have a large population of speakers, notably Chinese, Japanese, and Korean, are often cited as representatives of topic‐prominent languages. They use topic structures extensively and have a greater variety of them as compared with other languages. A typical topic construction consists of a topic at the left periphery and a comment clause, which is often a full sentence, with or without a gap coreferential with the topic. Where there is no gap, the topic may be semantically or pragmatically related to a certain expression in the comment. The relations are typically those of whole and part, set and member, possessor and possessed, and so on. In some cases, the topic is not related to a particular expression but to the comment as a whole. It is controversial whether gapless topic structures or even gapped ones are formed by movement or by merge, given the fact that island constraints may be violated. Whereas topics are explicitly marked in some topic‐prominent Asian languages like Japanese and Korean, marking is optional in Chinese, so it is debatable whether the sentence‐initial expression is the topic or the subject or other syntactic elements of the sentence. Furthermore, topic also occurs in postsubject and preverbal position in Chinese. Since focus and topic are often not syntactically marked or morphologically distinguishable in Chinese, a nominal expression between the subject and the verb is called topic by some linguists and focus by others. Diagnostic tests are needed to ascertain what it is.
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 | 0,000 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,056 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».