MétaCan
Menu
Retour à la cohorte
Enregistrement W4353029394 · doi:10.1017/jlg.2023.1

A comparative study of English vowel shifts and vowel space area among Korean Americans in three dialect regions

2023· article· en· W4353029394 sur OpenAlexaff
Andrew Cheng, Lisa Jeon, Dot-Eum Kim

Notice bibliographique

RevueJournal of Linguistic Geography · 2023
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueLinguistic Variation and Morphology
Établissements canadiensSimon Fraser University
Organismes subventionnairesnon disponible
Mots-clésVowelEthnic groupLinguisticsMid vowelVowel lengthMainstreamMulticulturalismCasualGeographyAmerican EnglishPsychologySociologyPolitical scienceFormantAnthropology

Résumé

récupéré en direct d'OpenAlex

Abstract Recent sociophonetic research has focused on the ways in which race and ethnicity influence language as well as how language is used to construct racial and ethnic identity. Comparisons of the speech of members of one ethnic group across different regions are still uncommon. In this study, fifty-one native American English speakers of Korean descent, hailing from three different dialect areas of the United States (Los Angeles County and Orange County, California; Harris County, Texas; and Gwinnett County, Georgia), were recorded speaking English in casual interviews. Their speech was analyzed for characteristics of local sound patterns in each region, including the Short Front Vowel Shift (California Vowel Shift) and the Southern Vowel Shift, as well as overall Vowel Space Area. All three groups showed evidence of the Short Front Vowel Shift, and none demonstrated the Southern Vowel Shift. The Californian speakers had the smallest vowel spaces, while the Georgian speakers had the largest. We relate these findings to the ways Korean Americans in Texas and California understand their ethnic identity vis-à-vis a kind of metropolitan or urban speech style in a highly multicultural environment, while, in comparison, Korean Americans in Georgia may use vowel space to highlight their orientation toward or away from local mainstream (white) cultural identity.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,009
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
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 enseignants0,257
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,009
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,045
Tête enseignante GPT0,327
Écart entre enseignants0,282 · 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 tête enseignante, pas un consensus.

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

Citations3
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Linguistic GeographyMême sujetLinguistic Variation and MorphologyTravaux en français237 207