Working with Historical Textual Data: Preliminary Results from Applying Survival Analysis to the Old English Poetic Corpus
Notice bibliographique
Résumé
Survival analysis (SA), a statistical method traditionally employed in fields such as medicine(e.g., modeling patient outcomes based on treatment efficacy or risk factors), has only recentlybeen applied to linguistic research. Studies, such as Van de Velde and Keersmaekers’ (2020)evolutionary model of lexical longevity and Vogelsanger’s (2023) analysis of rhyming patterns,highlight its potential. However, its applications to the Old English poetic koiné remain virtuallyunexplored. By building on prior applications of SA in evolutionary linguistics, we aim to offer aquantitative framework to interrogate which linguistic features correlate to the obsolescence ofOld English poetic vocabulary over time. To this purpose, we apply SA to investigate arepresentative segment of the Old English poetic corpus, including the Vercelli Book (28.96%lexical density) the Nowell Codex (11.55%), the Exeter Book (23.57%), the Junius Manuscript(24.82%), and the Paris Psalter (18.94%).Our dataset consists of 182 words, of which 119 are classified as “dead” (i.e., no longerin use), yielding a survival rate of 34.62% and a death rate of 65.38%. Key variables, such asword frequency, z-score, syllable count, manuscript provenance, morphosyntactic roles, and thesemantic categories defined by the Historical Thesaurus of English are analyzed to identifypatterns in lexical survival. The results reveal strong correlations: syllable count (p = 0.03) andprovenance (p = 0.03) are significant predictors of word survival, while Historical Thesaurus ofEnglish categories show an even stronger correlation (p = 0.001). These findings suggest thatsemantic fields—particularly those related to the mind (e.g., emotion, cognition), society (e.g.,kinship, governance), and the world (e.g., nature, physicality)—play crucial roles in determiningthe longevity of Old English poetic vocabulary, likely due to their cultural resonance. Byadapting SA to this context, this study introduces a novel quantitative approach to understandinglinguistic change. It also extends the methodological scope of digital philology, addressingNichols and Altschul’s (2012) call to realize the field’s interdisciplinary aspirations.
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 | 0,004 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,003 |
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 ».