Expert Artificial Intelligence Terminology Landscape (based on English)
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This research investigates the contemporary terminology landscape of Artificial Intelligence (AI), focusing on the specialized English vocabulary employed by experts. Given AI’s dynamic nature and profound impact, understanding the characteristics of its expert lexicon is vital for clear communication, effective knowledge transfer, and navigating the complexities of the domain. The study aims to identify, characterize, and analyze the key linguistic features of modern expert AI terminology using an empirical, corpus-based methodology. A specialized, synchronic corpus comprising 2,865 titles and abstracts (approx. 544,000 words) from the 2024 AAAI Conference on Artificial Intelligence proceedings was compiled for this purpose. Analysis was conducted employing corpus linguistic tools, primarily within the Sketch Engine environment, alongside initial processing by the Gemini API. The specialized corpus was compared against a large general English reference corpus (English Trends 2014-today) to assess domain specificity. The findings highlight a terminology heavily concentrated on core methodological themes such as model architectures, learning paradigms, optimization techniques, and data engineering. Structurally, the lexicon is dominated by nominal forms, exhibiting a high prevalence of multi-word terms (MWTs), particularly following N+N and Adj+N patterns, and extensive use of acronyms (e.g., LLM, GNN, RL). Keyword analysis confirmed a high degree of domain specificity, resulting from both technical neologisms unique to AI and the significant semantic specialization of common English words (e.g., model, attention, learning, training, bias, hallucination). Semantic specialization narrows general meanings to precise computational or algorithmic concepts, while metaphorical extension (e.g., mapping cognitive or psychological concepts like learning, attention, or hallucination onto computational processes) serves as a crucial mechanism for term creation and conceptualization.
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.
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) | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle