Notice bibliographique
Résumé
This paper challenges the cross-linguistic validity of the tense–aspect category ‘perfect’ by investigating 15 languages from eight different families (Atayal, Brazilian Portuguese, Dutch, English, German, Gitksan, Japanese, Javanese, Korean, Mandarin, Niuean, Québec French, St’át’imcets, Swahili, and Tibetan). The methodology involves using the storyboard ‘Miss Smith’s Bad Day’ to test for the availability of experiential, resultative, recent-past, and continuous readings, as well as lifetime effects, result-state cancellability, narrative progression, and compatibility with definite time adverbials. Results show that the target forms in these languages can be classified into four groups: (a) past perfectives; (b) experientials; (c) resultatives; and (d) hybrids (which allow both experiential and resultative readings). It is argued that the main division is between past perfectives, which contain a ‘pronominal’ tense, on the one hand, and the other three groups on the other, which involve existential quantification, either over times (experiential) or over events (resultative). The methodological and typological implications of the findings are discussed. The main conclusion of the study is that there is no universal category of ‘the perfect’, and that instead, researchers should focus on identifying shared semantic components of tense–aspect categories across languages.
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 | 0,000 | 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 | 0,009 | 0,000 |
| Communication savante | 0,002 | 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) | 0,067 | 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 ».