Tauriņu taksonomija: sprīžmešu dzimtas sugu nosaukumu derivatīvi semantiskā struktūra
Bibliographic record
Abstract
Tauriņi jeb zvīņspārņi (Lepidoptera) ir viena no bagātākajām un krāšņākajām kukaiņu kārtām, kas veido plašu, sazarotu dzimtu un sugu taksonomiju. Tos nosacīti iedala dienas tauriņos un naktstauriņos, lieltauriņos un sīktauriņos. Lingvistiskā aspektā tauriņu terminoloģiskā sistēma latviešu valodā līdz šim nav plašāk analizēta, tāpēc pētījuma mērķis ir noskaidrot, kā darināti vienas tauriņu dzimtas sugu nosaukumi un kādu informāciju par objektu sniedz izmantotie motivētājvārdi. Tauriņu sugu nosaukšanai parasti izmantota sintaktiska konstrukcija, kurā līdzās sugas nosaukumam lietots viens vai divi diferencētājvārdi, piem., pelēkais saulkrēsliņu sprīžmetis (Coenocalpe lapidata). Termina pamatkomponents lielākoties ir determinatīvais saliktenis, kura pirmā daļa norāda dzimtai raksturīgu vispārīgo pazīmi – tauriņa lielumu, krāsu, piemēram, baltsprīžmetis, uzturēšanās vietu, spārnu izskatu u. tml. Otrā daļa ir dzimtas nosaukums – salikteņatvasinājums sprīžmetis (Geometridae), kura motivētājvārdkopa sniedz informāciju par tauriņu kāpuram raksturīgo pārvietošanās veidu. Savukārt vārdkopterminu pirmais vai otrais komponents ir pirmatnīgs vai atvasināts vārds, saliktenis vai salikteņatvasinājums, kas sniedz konkretizējošu, precizējošu, vienkāršu vai kombinētu informāciju par tauriņa krāsu (brūnais melleņu sprīžmetis (Cepphis advenaria), pelēkzaļais lapsprīžmetis (Colostygia aptata)), formu (druknais bērzu sprīžmetis (Biston betularia)), kāpura dzīves vietu (priežu sprīžmetis (Bupalus piniarius)) u. tml. Tauriņu nosaukumu terminoloģisko kopumu veido gan pašcilmes vārdi un nozares speciālistu oriģināldarinājumi, gan arī pēc citu valodu parauga veidotas leksēmas, kas diezgan detalizēti, precīzi, niansēti raksturo tauriņus, atklājot ikdienas vērojumos gūtās asociatīvās saiknes, un iekļaujas valodas derivatīvajā un pasaulainas sistēmā.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.002 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 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 teacher head, 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".