Generating better understandings of linguistic dissociation using multiscalar temporal accounts
Notice bibliographique
Résumé
Linguistic dissociation is “a relatively enduring psychosocial process in which an individual or group distances themselves from a set of linguistic practices already within their repertoire because those practices have come to connote a state of significant intersubjective disharmony, or contrasubjectivity ” (Moore, 2023, p. 1152). Generating data to theorise the nature and causes of linguistic dissociation among particular kinds of language users represents a methodological challenge; as intersubjective phenomena, linguistic dissociation and contrasubjectivity emerge across multiple converging, connected temporal scales. With reference to data generated with two participants from a larger critical realist grounded theory method investigation into the nature and causes of L1 dissociation among some Japanese-English late plurilinguals, I show how I combined two data generation activities with distinct temporal scales—a multimodal timeline through which participants constructed an account of their affective relationship to Japanese over their lifespan and a two-day language use journal—with follow-up interviews to produce different types of data about linguistic dissociation, which in turn made it possible for the participants and me to construct different forms of knowledge about the phenomenon. Further, I contend that we used those knowledges to arrive at better (i.e., more verisimilitudinous) understandings of the nature and causes of the L1 dissociation they had experienced. I finish by sharing methodological implications for applied linguists investing various intersubjective phenomena that shape the linguistic repertoire and reflecting on the limits of my own knowledge of linguistic dissociation.
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 | 0,012 | 0,059 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».