THE ROLE OF CODE SWITCHING PHENOMENA IN A YOUTUBE VLOG \nBY SACHA STEVENSON \n
Notice bibliographique
Résumé
YouTube allows the users to find everything they want to explore supported by audio and visualization.People are also possible to share or upload everything, anywhere, and every time.Those who love to share their videos through their channel are named YouTubers.Sacha Stevenson is a YouTuber who has five hundred thousand subscribers in her YouTube channel.Sacha Stevenson is Canadian but she is fluent in both Bahasa Indonesia and English.Most of her videos in YouTube contains switch language of English and Bahasa Indonesia.The purposes of this study are to find out the types of code switching and to determine the social function or the reason of code switching occur in the related video.In this research, the researcher uses the theory of Myers-Scotton: Types of Code Switching and Markedness Model.The researcher chose descriptive qualitative method to present the data.The data are taken from an observation and the researcher uses note taking technique to find the data.As the result of the study, the researcher finds 34 code switching in form of word, clause, and sentence.The data consist of 14 Inter-sentential Code Switching, 15 Intra-sentential Code Switching, and 5 Tag or Emblematic Code Switching.Based on data analysis, the researcher determine that code switching occur in the video are used to show an emotion or expression, to emphasize messages, and to replace some words that do not exist in English.
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 | 0,003 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,008 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».