Corpus Linguistic Methodology as an Advanced Conversion Design for Social Science Research
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This article offers a corpus linguistics methodology (i.e., guiding the collection of language-based qualitative data, queried with both qualitative and quantitative methods, and mixed analytical approaches) as a unique and practical advance in the conversion mixed methods design. The conversion mixed methods design takes qualitative or quantitative data, and reforms, queries, or analyzes that data using a converse qualitative, quantitative, or mixed method. I argue that the design is uniquely suited to maximize the interlinking of language-based data within strands, as well as in cross-strand comparison. The article focuses on several concepts in corpus linguistics, specifically collocation (i.e., multiple words appearing together), semantic preference (i.e., the tendency of those words to appear in certain contexts), and semantic prosody (i.e., the sociocultural meaning of those words in that context), and covers both conceptual background and procedures for carrying out analyses. Further, the approach demonstrates the utility of more fluid design description by focusing on the timing and purpose of integration. I articulate this argument by outlining a study on the opioid epidemic in elderly health services in rural Pennsylvania, with the help of a zipper metaphor to describe the design. The article concludes with a discussion of the value of this advanced design to mixed methods researchers representing the social sciences outside of linguistics-centered disciplines, at a methodological level, as well as the ready availability of tools that allow researchers to instrumentalize the design.
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.
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 | 0,015 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle