Human Spoken Interaction as a Complex Adaptive System
Notice bibliographique
Résumé
Traces the non-linear dynamic longitudinal L2 development of word search sequences in informal social interaction using CA-for-SLA and Complexity Theory Provides an analytical framework which can be applied to spoken communication in any setting Explains and unites two high-profile research methodologies: Conversation Analysis and Complexity Theory Draws on 37 hours of video-recorded social conversations across two years between students from a range of countries including: Botswana, Canada, China, Japan, Korea, Indonesia, Romania, Thailand, the United States, Uzbekistan, and Vietnam Demonstrates longitudinal development of L2 interactional competence of Japanese learners of English through informal English as a Lingua Franca (ELF) interaction Watch the introductory film about the book Human Spoken Interaction as a Complex Adaptive System explains how human spoken communication functions, combining two separate complex adaptive systems: the universal ‘interaction engine’ and language(s), which now number around 7,000. Siegel and Seedhouse offer a comprehensive overview of how the components and processes of the interaction engine work together to enable us to understand each other, whatever the language. Through combining Complexity Science and Conversation Analysis, this book explains how to simultaneously analyse spoken interaction on micro and macro scales. Detailed analyses of L2 learners reveal them to be simultaneously expert in using the interaction engine and inexpert in using the specific language. The study shows that the basic characteristics of the interaction engine are the same as for other life-related complex systems and that it is possible to access the perspectives of participants inside this complex adaptive system as it is evolving.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».