From language portraits to language playlists: Exploring sonic possibilities for language autobiographical research
Notice bibliographique
Résumé
Abstract Inspired by the rich body of research that has used language portraits as a means to invite reflection on people’s lived experiences of language in relation to the body, this study asked: What happens when we ask multilinguals to bring music to an interview about their lived experiences of language? In this paper, I analyze excerpts from two interviews with one couple, Mira and Andrej, to examine how the autobiographical narratives they produced about their language portraits or while sharing their language playlists differed in terms of content, amount of detail, and affective descriptions. I drew on (Goffman, E. (1974) Frame Analysis: An Essay on the Organization of Experience. Harvard University Press) concept of frame to examine the possibilities that sonic texts (songs) engendered within the Spracherleben (Busch, B. (2017) ‘Expanding the Notion of the Linguistic Repertoire: On the Concept of Spracherleben—the Lived Experience of Language’, Applied Linguistics, 38: 340–58) interviews. Overall, I found that language playlists had unique affordances in terms of the amount of narrative detail they seemed to prompt, affective engagement, and interpersonal connection. I conclude by presenting implications of this work, and invitations for future researchers in this area.
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 | 0,005 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,008 | 0,021 |
| Communication savante | 0,010 | 0,009 |
| Science ouverte | 0,001 | 0,009 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».