An Analysis of English Slang Words Discussed by Slang Content Creators on TikTok and Its Contribution to Language Learning
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 study discusses the analysis of the meaning and types of English slang words used by English speaking people on TikTok. This study also discusses the contribution of English slang words in language learning. There are 50 data that have been analyzed by researchers. The methodology of this research was qualitative research. The data sources in this study are some contents and comments by English speaking people which contain slang words on TikTok. The instrument in this study is the researcher itself as a human instrument and a smartphone as a nonhuman instrument. The data were taken in September 2021. The study consisted of three steps, they were; reading, selecting, and classifying the data. To identify the types of slang words, the researcher used the theory of Michael Munro (2007). The researcher also used online and manual to find the meaning of English slang words. Researchers found six out of eight types of slang words on TikTok. They are United States slang, Canadian slang, Australian slang, New Zealand slang, South African slang, and Irish slang. The researcher did not find slang words that belong to the type of Caribbean slang and South Asian slang. There are 16 United States slang words, 3 Canadian slang words, 11 Australian slang words, 10 New Zealand slang words, 5 South African slang words, and 5 Irish slang words. The United States slang type dominates the type of slang used by English speaking people on TikTok.Keywords: slang, type, language, tiktok, social media.
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 | 0,004 |
| 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) | 0,001 | 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