Mo i Rana-dialekten: En korpusanalyse
Notice bibliographique
Résumé
Mo i Rana er en nordnorsk industriby som spesielt på 1900-tallet gikk gjennom store samfunnsmessige endringer og dermed også en stor økning i folketallet, noe som igjen har påvirket talemålet. I denne masteroppgaven undersøker jeg hvilke dialektendringstendenser som kan spores i Mo i Rana-dialekten fra 1960-tallet og fram til i dag. For å besvare problemstillingen har jeg analysert korpusdata fra Nordisk dialektkorpus, og sammenlignet resultatene med tidligere studier om dialekten i Mo i Rana (Christiansen, 1962; Mellingen, 1994). Jeg har valgt å fokusere på seks variabler: femininum, verbbøying, tjukk l, verbbøying, apokope og palatalitet. Analysen vitner om en stabil og homogen koiné, men noen variabler er også på ulike stadier i en endringsprosess. Både tjukk l av gammelnorsk og jamvekt ser ut til å snart være borte i bydialekten, og en avpalatalisering kan også se ut til å være i gang. Funnene i analysen viser altså at flere dialektendringstendenser kan spores i Mo i Rana-dialekten fra 1960-tallet og fram til i dag, samtidig som talemålet på mange måter framstår relativt stabilt. Studien bidrar med ny kunnskap om dialekten i Mo i Rana, og kan være med på å stake ut kursen for framtidig forskning på talemålet.
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 | 0,006 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
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.
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 ».