The Lemmatisation of The York-Toronto-Helsinki Parsed Corpus of Old English Poetry with a Relational Database of Old English Dictionaries
Notice bibliographique
Résumé
Esta tesis aborda la lematización de la poesía en inglés antiguo, llenando un vacío crucial en los campos de la lexicografía, la lingüística de corpus y la lingüística histórica. En concreto, este estudio se centra en agrupar de manera sistemática las formas atestiguadas del York-Helsinki Parsed Corpus of Old English Poetry (Pintzuk y Plug 2001) bajo un lemma unificado, utilizando la base de datos relacional Interface of Old English Dictionaries (IOED). Esta base de datos integra los las principales fuentes lexicograficas del inglés antiguo entre las que se incluyen: DOE, BT, VariOE, Norna, Freya, ParCorEv2, Unimorph e INESS. De esta forma, la IOED conecta los lemas y las formas atestiguadas de las distintas fuentes, facilitando un proceso ordenado y eficaz para comparar y escoger el lema más adecuado para cada forma. La metodología se compone de cuatro pasos principales. Primero, se compila el inventario de formas atestiguadas del YCOEP para crear una base de datos estructurada que facilite su clasificación. Posteriormente, estas formas se correlacionan con las fuentes del IOED para asignar los lemas de forma automática o semiautomatica según se requiera. En el siguiente paso, los lemas asignados se alinean con la lista definitiva de lemas de ParCorEv2 para asegurar la coherencia.. Finalmente, se evalúa el rendimiento de la IOED y se valida el inventario lematizado resultante comparándolo con el DOE, VariOE y A Short Dictionary of Anglo-Saxon Poetry de Bessinger (1960), con el fin de identificar y evaluar las posibles discrepancias en la selección de lemas. Las principales conclusiones de esta investigación destacan las contribuciones generadas a partir del inventario lematizado, así como las limitaciones de este marco, que abren camino a futuros análisis digitales mejorados del inglés antiguo.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 0,007 |
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 ».