Notice bibliographique
Résumé
Foreword Brian Joseph (Ohio State University) 1. Introduction Koenraad Kuiper 2. A Toolbox for Teaching Phonetics Jen Hay (University of Canterbury, New Zealand) 3. Learning Phonology as a Way to Learn how Theories are Improved Andrew Carstairs-McCarthy (University of Canterbury, New Zealand) 4. Teaching Morphology Laurie Bauer (Victoria University of Wellington, New Zealand) 5. Teaching Syntax Sandra Chung (University of California, Santa Cruz) 6. Teaching Formal Semantics Barbara Partee (University of Massachusetts at Amherst) 7. Teaching Pragmatics Chris Potts (Stanford University) 8. Teaching Historical Linguistics: A Personal Memoir Harold Koch (Australian National University) 9. Teaching Sociolinguistics Miriam Meyerhoff (University of Auckland) 10. Psycholinguistics for Linguists Paul Warren (Victoria University of Wellington, New Zealand) 11. Teaching Linguistic Approaches to Nonliteral Language or We Really Knew how to have Fun Diana van Lanker-Sidtis (New York University) 12. Developmental Psycholinguistics Susan Foster-Cohen (Burwood Hospital, New Zealand) 13. The Value of Linguistis to the ESL/EFL Classroom Practitioner David Mendelsohn (York University, Canada) 14. Games for Exploring Language Origins and Change Alison Wray (Cardiff University) 15. LING 101 Koenraad Kuiper 16. 'Beyond Compare': Supervising Postgraduate Research Janet Holmes (Victoria University of Wellington, New Zealand) 17. Field Methods: Where the Rubber Meets the Road Wes Collins (Summer Institute of Linguistics) 18. 'Two Loaves where there Seems to be One' : Metaphors We Teach By Kate Burridge (Monash University)
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 | 0,015 |
| 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 | 0,001 | 0,000 |
| 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) | 0,002 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».