Um litarorðaforða í íslensku
Notice bibliographique
Résumé
Þessi ritgerð fjallar um liti. Ég ákvað að skrifa um liti vegna þess að þrátt fyrir góða kunnáttu í íslensku finnst mér ég oft ekki vera sammála Íslendingum þegar kemur að því að lýsa litum. \n\tMaður spyr sig stundum hvort aðrir sjái lit á sama hátt. Þetta stafar af einkar huglægu eðli lita, enda torskilgreinanlegt fyrirbæri. Öll tungumál eru fær um að lýsa litum, en tungumál eru með mismörg og nákvæm orð um þá. Ólíkt hlutlægum hlutum eins og trjám eða steinum eru litir ekki eins takmarkaðir – menn eru stundum ósammála um það hvað einn eða annan lit ætti að kalla. Til dæmis eru ljósir hestar oft sagðir vera gráir á íslensku, en hvítir á frönsku. \n\tHvernig þróast litarorðaforði? Eru algildar reglur um það? Hvernig flokkast litarorð? Eru öll tungumál með orð yfir sömu litina? Hvaða áhrif hefur móðurmál manns á orðaval þegar kemur að því að lýsa lit? Hvað eru grundvallarlitarorð og hvers vegna eru ekki öll litarorð grundvallarlitarorð? Hvað hefur íslenska mörg litarorð? Hvaðan koma þau? Hversu mörg þeirra eru gamall arfur og hversu mörg eru af erlendum uppruna? Hvernig er íslenska frábrugðin móðurmáli mínu, Québec-frönsku? \n\tÍ þessari ritgerð verður reynt að komast að niðurstöðum um þessar spurningar. Með hjálp tveggja rannsakenda, Brents Berlins og Pauls Kays, og rannsókn þeirra á litum í tungumálum verður stefnt að því að reyna á kenningu þeirra um þróunarferli litarorða. Einnig verður reynt að þróa kenningu um eðli, aldur og stigveldi lita sem á sérstaklega við frumindóevrópsku og íslensku út frá verki Berlins og Kays. Síðan verður hugað að uppruna nýrri litarorða í íslensku og hvernig þau komust inn í málið, og verður fjallað um sérstöðu litarorðaforða íslenskunnar með tilliti til annarra evrópskra tungumála.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,548 | 0,082 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».