Comparing word frequency, semantic diversity, and semantic distinctiveness in lexical organization.
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
Word frequency (WF) is a strong predictor of lexical behavior. However, much research has shown that measures of contextual and semantic diversity offer a better account of lexical behaviors than WF (Adelman et al., 2006; Jones et al., 2012). In contrast to these previous studies, Chapman and Martin (see record 2022-14138-001) recently demonstrated that WF seems to account for distinct and greater levels of variance than measures of contextual and semantic diversity across a variety of datatypes. However, there are two limitations to these findings. The first is that Chapman and Martin (2022) compared variables derived from different corpora, which makes any conclusion about the theoretical advantage of one metric over another confounded, as it could be the construction of one corpus that provides the advantage and not the underlying theoretical construct. Second, they did not consider recent developments in the semantic distinctiveness model (SDM; Johns, 2021a; Johns et al., 2020; Johns & Jones, 2022). The current paper addressed the second limitation. Consistent with Chapman and Martin (2022), our results showed that the earliest versions of the SDM were less predictive of lexical data relative to WF when derived from a different corpus. However, the later versions of the SDM accounted for substantially more unique variance than WF in lexical decision and naming data. The results suggest that context-based accounts provide a better explanation of lexical organization than repetition-based accounts. (PsycInfo Database Record (c) 2023 APA, all rights reserved).
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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