La Norma lingüística en els diccionaris : contrast del discurs lexicogràfic de llengua catalana i de llengua castellana
Bibliographic record
Abstract
Aquesta tesi doctoral és un estudi sobre la norma lingüística que es vehicula en els diccionaris de llengua catalana i de llengua castellana. L’objectiu principal és analitzar com es reflecteix la norma lingüística en el discurs lexicogràfic d’aquestes dues llengües a partir de l’estudi d’un diccionari normatiu i d’un diccionari d’ús de cada llengua. Per dur a terme l’anàlisi, establim quatre criteris que ens permeten mesurar el grau d’innovació i permissivitat a la incorporació de lemes del diccionari: la innovació lèxica, la permeabilitat a la interferència, l’orientació dels usos i, per últim, la coincidència en relació amb l’ús. Per completar l’estudi observem el tractament del mot norma en cada diccionari i relacionem la diferent situació social del català i del castellà amb la norma lingüística que transmet el diccionari. Una de les aportacions principals de la tesi és metodològica, ja que els criteris establerts permeten inferir la norma lingüística que vehiculen els diccionaris de la llengua general.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.004 | 0.006 |
| Scholarly communication | 0.007 | 0.001 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".