The synchronic status of historical bound roots in the mental lexicon
Notice bibliographique
Résumé
Abstract Many English words contain historical roots that do not occur as free morphemes (e.g., nov in innovate, dict in verdict ). These words often retain an appearance of compositionality and are associated with effects on lexical processing ( Pastizzo & Feldman, 2004 ; Taft & Forster, 1975 ), but frequently their roots are difficult to identify without recourse to historical etymologies, and they are semantically opaque and unproductive. More practically, although such words are prominent in academic vocabulary, they are often difficult to learn, and instruction inspired by their apparent morphological structure has yielded mixed results ( McKeown et al., 2018 ). We explore these psycholinguistic and educational challenges through a dynamic view of the mental lexicon ( Libben, 2022 ), understanding morphological resources as gradient, emergent, and contextually adaptable for meaning making. We quantified bound roots’ morphological families by training an unsupervised parser on a lexicon approximating that of an educated English user, and then assessing polysemy and coherence of roots’ meanings, using vector semantic representations. Testing against behavioral data supported the validity of these measures, suggesting new ways of measuring the properties of bound roots independent from etymological data and demonstrating sensitivity even to unproductive morphological structure, that can support academic vocabulary development and meaning-making.
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 | 0,000 |
| 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 ».