The Ecology of English Loanwords in Chinese: A Case Study of Cement
Notice bibliographique
Résumé
From an ecolinguistic perspective, this study focuses on five English loanwords in Chinese related to the field of cement, as defined in the Modern Chinese Dictionary. The research quantitatively examines the ecological dynamics of these loanwords using two indicators: lexical niche breadth and overlap. The goal is to uncover the evolutionary mechanism governing their adaptation. The findings show: (1) The emergence of English loanwords is intricately linked to specific social environments. As new concepts and items are introduced from abroad, the masses initially make new loanwords, which are later standardized by authoritative bodies. (2) The vitality of loanwords correlates with their niche breadth. The competition among lexical variants is influenced by niche overlap. The loanwords for cement, ranked by vitality in descending order, are ShuiNi (3.221), YangHui (2.350), ShuiMenTing (1.385), HongMaoNi (1.202), and ShiMinTu (0.879). (3) The endangerment of loanwords results from a combination of external (social environment) and internal (language system) factors. Intense competition arises due to the presence of multiple synonyms for the same entity, and localization challenges occur when the loanwords do not precisely fit the entity. Among the five loanwords for cement, the first two exhibit higher vitality and continue to develop sustainably, while the last three show lower vitality and are gradually becoming endangered. As these loanwords undergo continuous evolution, a lexical ecocontinuum emerges: extinct in the wild—ShiMinTu; critically endangered—HongMaoNi; endangered—ShuiMenTing; vulnerable—YangHui; least concerned—ShuiNi.
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 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 | 0,001 | 0,217 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».