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 work explores the argument structure of causatives and applicatives in Tshiluba, a Bantu language spoken in the Democratic Republic of the Congo. The data were elicited with a speaker of Tshiluba through storyboard elicitation and grammaticality judgement tasks. Consistent with preceding analyses of benefactives in Bantu languages (Pylkkänen 2002; McGinnis 2008; de Kind and Bostoen 2012, inter al.), this work supports the analysis that benefactives in Tshiluba are high applicatives. Cases where both causative and applicative morphemes are present provide evidence that the position of the applicative morpheme determines whether the construction is benefactive or malefactive. Within the framework of Distributed Morphology (Halle and Marantz; 1993, 1994), the applicative morpheme -el occurs as the head of a high ApplP, occasionally above vCAUSE and crucially always above Voice. This work shows that this is the case for both passives and antipassives of benefactives. Malefactives appear to be lower, as -el crucially occurs below vCAUSE and Voice in all cases. An unexpected pattern arises – Tshiluba double-object applicatives have been previously analysed as asymmetric in the positions available to each argument, in that the recipient indirect objects must follow the verb and precede the direct object (as in English, Bo grew Jo fruit vs. #Bo grew fruit Jo) (Dom et al. 2015). In the present data, direct objects and indirect objects can alternate in position.
 
 
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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