Bibliographic record
Abstract
Dans les communautés cries de l’est de la baie James, le termecreenglishrenvoie au mélange du cri et de l’anglais, que ce soit en termes d’alternance symétrique (code-switching) ou d’insertion de mots anglais dans une base grammaticale et morphologique crie (code-mixing). Dans cet article, nous décrirons, à partir de données recueillies en contexte d’observation participante, la structure morphologique et grammaticale du verbe et du nom encreenglishde l’est de la baie James. L’analyse des données révèle des stratégies d’insertion systématiques et économiques qui permettent aux locuteurs bilingues d’incorporer n’importe quel radical anglais dans une structure de mot crie de manière spontanée, pour parler de concepts qui n’ont pas d’équivalents dans le lexique de base cri. L’insertion des noms anglais est aussi facilitée sur le plan de la morphosyntaxe puisqu’on leur attribue un genre grammatical cri animé ou inanimé. Finalement, l’analyse montre aussi que certains verbes d’existence cris sont maintenant utilisés comme copule d’un adjectif attribut anglais. En somme, la documentation de ces cas decode-mixingdonne un éclairage nouveau et essentiel sur les capacités linguistiques humaines de même que sur la transformation de la structure grammaticale des langues en contact.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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".