El posesivo en las locuciones adverbiales y preposicionales: <em>en su contra ~ en contra suya</em> (<em>~ suyo</em>) <em>~ en contra de él</em>
Bibliographic record
Abstract
Gracias a los datos de los corpus lingüísticos disponibles (CORPES, Corpus del español) y a la red social Twitter, este trabajo revisa las descripciones previas sobre el uso del posesivo en una serie de locuciones prepositivas y adverbiales (a gusto de, de parte de, en contra de, en vez de, en vista de, a modo de y en bien de) y actualiza varios hechos. De este modo, se comprueba que el posesivo más empleado es siempre el antepuesto (especialmente el de tercera persona), y que el posesivo pospuesto es posible, pero como opción minoritaria en todos los casos (con la tercera y primera personas), rasgo documentado sobre todo en el registro coloquial. El trabajo también revisa la concordancia entre el nombre y el posesivo. Los datos indican que esta concordancia se respeta, pero se documentan ejemplos de falta de concordancia, de nuevo en el registro coloquial (sobre todo con la primera persona). Por último, en cuanto a la complementación con la preposición de, se comprueba que esta se realiza, como cabría esperar, con el pronombre de tercera persona. Sin embargo, en el registro coloquial se documentan asimismo casos con las otras personas.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.004 | 0.009 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.025 | 0.008 |
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".