The Power of Language: How the Codes We Use To Think, Speak, and Live Transform Our Minds
Notice bibliographique
Résumé
It is estimated that approximately 60% of the world’s population knows and uses two or more languages. Given that multilingualism is the norm rather than the exception, at least on a global scale, Viorica Marian’s ‘The Power of Language’ is a timely and accessible book that intricately captures the complexity—and benefits—of multilingualism. Spanning 11 chapters and around 225 pages, the book is divided into 2 parts. In the six chapters of Part 1, Marian discusses how language influences individuals. Part 2’s five chapters explore how language exists and function at the societal level. The book finishes with a conclusion section. The cleverly titled Chapter 1, ‘Mind boggling’, serves as a fitting introduction to the marvels of the multilingual mind. It delves into the profound impact that learning a new language can have on an individual. Marian explores this by discussing recent research on eye movements, revealing how multilingualism enhances executive functions, focus, and cultural adaptability. The chapter examines both the tangible and psychological benefits of learning a new language, underscoring the notion that through language, individuals gain diverse perspectives, enabling them to navigate within their environments without the limitations of a single language system.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,045 |
| Communication savante | 0,014 | 0,014 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,004 |
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 source (Gemma direct ou Codex distillé), 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 ».