MétaCan
Menu
Retour à la cohorte
Enregistrement W4309474516 · doi:10.1017/s1360674322000016

The most stable it's<i>ever</i>been: the preterit/present perfect alternation in spoken Ontario English

2022· article· en· W4309474516 sur OpenAlexafffundabout
Karlien Franco, Sali A. Tagliamonte

Notice bibliographique

RevueEnglish Language and Linguistics · 2022
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueLinguistic Variation and Morphology
Établissements canadiensUniversity of Toronto
Organismes subventionnairesSocial Sciences and Humanities Research Council of Canada
Mots-clésAlternation (linguistics)LinguisticsAdverbVariation (astronomy)Contrast (vision)VernacularFocus (optics)GrammarMathematicsHistoryComputer scienceVerbPhilosophyArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

English tense/aspect-marking is an area where variation abounds and where many theories have been formulated. Diachronic studies of the preterit/present perfect alternation indicate that the present perfect (e.g. I have eaten already ) has been losing ground to the preterit (e.g. I ate already ) (e.g. Elsness 1997, but see Hundt &amp; Smith 2009, Werner 2014). However, few studies have examined this alternation in vernacular speech. This article fills this lacuna by analyzing spoken data from Ontario, Canada, from an apparent-time perspective. Using a large archive of multiple communities and people of different generations, we focus on linguistic contexts known to be variable, viz. with adverbs of indefinite time. Results indicate that, in contrast with previous studies, the alternation is mostly stable. We find evidence of change only with the adverb ever . Where there is evidence of change, this change is different from the predictions in the literature, with the preterit increasing in frequency. We suggest that a minor constructionalization process operates in tandem with ongoing specialization of the preterit/present perfect contrast. Taken together, these results provide another example of the importance of including speech in research on language variation and change and of the unique contribution certain constructions make to more general systems of grammar.

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)0,004
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,054
Score d'incertitude au seuil0,122

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,003
Études des sciences et des technologies0,0030,003
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 GPT0,269
Écart entre enseignants0,257 · 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'admission3
Résumé présentoui

Explorer davantage

Même revueEnglish Language and LinguisticsMême sujetLinguistic Variation and MorphologyTravaux en français237 207