Structured Thinking and Information Transfer in Foreign Language Speech and Interpretation
Notice bibliographique
Résumé
In this paper, information theory and information metrics are used to obtain an approximate estimation of linguistic information entropy.After that, the binary model of large-scale corpus and foreign language words is established, N-Gram model is constructed, and the information entropy of modern foreign language speech is estimated.Finally, the N-Gram model was utilized to statistically analyze the results of interpreting information loss, comparing the rate of information transfer in foreign language speeches and the subjects' interpreting performance.The results showed that the phenomenon of information loss was prominent, with many types of loss, high frequency, and serious loss situations.T assertions had 8.61%-18.95% of propositional information loss, 3.0%-7.6% of constituent information loss, and 49.68% of overall loss.The data on the information loss of each language component showed that TPO and SPE presented the most and the least frequency among the 6 propositional information losses, which were 67 and 1 times, respectively.Among the 13 types of information component loss, TFLS presented the highest frequency and TLE and SFLO presented the lowest, with their losses of 55, 1, and 1 times, respectively.In the interpreted material of English speech, the rate of narration was 2.25 words per second and the average rate was 13.45 bits per second.Among the T assertions, numbers S7, S4, and S9 have the highest propositional untranslated rate (21.8%), propositional mistranslated rate (23.5%), and propositional information loss rate (44.5%), respectively; the corresponding lowest values are at S4 (2.7%), S5 (1.8%), and S4 (2.8%).
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 | 0,003 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».