MétaCan
Menu
Retour à la cohorte
Enregistrement W4282836164 · doi:10.3389/fcomm.2022.853988

Motion Events in L1 and L2 Mapudungun Narratives: Typology and Cross-Linguistic Influence

2022· article· en· W4282836164 sur OpenAlexaff
Rodrigo Becerra, Jorge Osorio, Ítalo Cantarutti, Gabriel Llanquinao

Notice bibliographique

RevueFrontiers in Communication · 2022
Typearticle
Langueen
DomainePsychology
ThématiqueCategorization, perception, and language
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésConflationVerbLinguisticsMotion (physics)LexicalizationTypologyNarrativeExpression (computer science)Encoding (memory)PsychologyComputer scienceCommunicationArtificial intelligenceHistoryCognitive psychologyPhilosophy

Résumé

récupéré en direct d'OpenAlex

We compare the motion lexicalization patterns produced by L1 and L2 speakers of Mapudungun, an indigenous minority language spoken in Chile and Argentina. According to previous descriptions, the patterns of motion expression in Mapudungun have some characteristics of an equipollently-framed language, which contrast with the usual motion expression in Spanish. The data comprise oral narratives of the picture storybook “Frog, where are you?”, collected from 10 Mapudungun native speakers and 9 Spanish native speakers who are late bilinguals of Mapudungun. We report the general results (comparison of total clauses, translational clauses, types, and tokens) and analyze three general conflation patterns: the encoding of the semantic components of Path and Manner, the conflation of various components into serial verb constructions, and the encoding of Ground. The results show that L2 speakers encoded a significantly lower proportion of Manner verbs and a higher proportion of Path verbs than L1 speakers, used a significantly less diverse inventory of Path and Manner verb types, a significantly lower number of motion serial verb constructions, and a significantly higher number of plus-Ground clauses than L1 speakers, suggesting cross-linguistic influence from Spanish.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,020

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0000,002
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,319
Écart entre enseignants0,307 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in CommunicationMême sujetCategorization, perception, and languageTravaux en français237 207