MétaCan
Menu
Retour à la cohorte
Enregistrement W4412429082 · doi:10.1007/s11049-025-09675-3

Demonstratives locate referents in common space and ground: A comparative syntactic approach

2025· article· en· W4412429082 sur OpenAlexfundno aff
Valentina Colasanti, Martina Wiltschko

Notice bibliographique

RevueNatural Language & Linguistic Theory · 2025
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueSyntax, Semantics, Linguistic Variation
Établissements canadiensnon disponible
Organismes subventionnairesSocial Sciences and Humanities Research CouncilSocial Sciences and Humanities Research Council of CanadaTrinity College DublinIrish Research eLibrary
Mots-clésSpace (punctuation)Common groundLinguisticsDeixisArtificial intelligenceComputer scienceNatural language processingPsychologyCommunicationPhilosophy

Résumé

récupéré en direct d'OpenAlex

Abstract Demonstratives can be used to locate a referent in space but they can also be used to refer to discourse referents located in the common ground. In English, proximal demonstratives are used for novel referents (indefinite specific this) while distal that can be used to refer to familiar referents. The empirical goal of this paper is to explore whether a similar pattern is found in other languages. To this end, we explored the use of demonstratives in 22 languages and found that this correlation is robust: if demonstratives are used for both spatial and grounding purposes, it is always the proximal demonstrative that is used for novel discourse referents and the distal demonstrative that is used for familiar discourse referents. The cross-linguistic solidity of this ‘Spatial-Grounding Correlation’, invites the conclusion that it is grammatically conditioned. We develop an analysis according to which the grounding use of spatial demonstratives is syntactically derived, utilising the Nominal Interactional Structure, independently motivated in Ritter and Wiltschko (2018, 2019, 2024).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,024

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,007
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0040,003
Études des sciences et des technologies0,0030,012
Communication savante0,0040,011
Science ouverte0,0010,005
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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.

Tête enseignante Opus0,024
Tête enseignante GPT0,283
Écart entre enseignants0,260 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNatural Language & Linguistic TheoryMême sujetSyntax, Semantics, Linguistic VariationTravaux en français237 207