Data in support of: A’ faighneachd Mhic-Talla [Asking the Echo]: A corpus-based approach to vernacular classification of Gaelic songs
Notice bibliographique
Résumé
This dataset is in support of the Master's thesis research entitled "A’ faighneachd Mhic-Talla [Asking the Echo]: A corpus-based approach to vernacular classification of Gaelic songs." The purpose of this research was to identify vernacular classifications of Gaelic songs. The original data for this study consisted of textual data from the all-Gaelic newspaper Mac-Talla (1892-1904) and was sourced from two institutions: DASG (Digital Archive of Scottish Gaelic) and the Angus L. Macdonald Library at St. Francis Xavier University. Two pages that were missing from the Angus L. Macdonald Library collection were not included in this study: October 8, 1892, volume 1, number 20, pp. 3-4. File 01 (README.txt) contains contextual documentation for this dataset. File 02 (CM_KWIC_char20_2025-05-25_v01_raw.tab) is comprised of the raw concordance data generated in R of 20-line character strings from the keywords "òran" (song) and "amhran" (song [dialectical variation]). File 03 (CM_oran_2025-04-30_v01_final.tab) is the final dataset of the adjectival and genitive constructions of "òran" and "amhran." File 04 (CM_category_2025-04-30_v01_final.tab) is the final dataset of the song categories that were manually extracted from the concordance data.
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 | 0,001 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,057 | 0,080 |
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 ».