La evangelización como experiencia lingüística
Bibliographic record
Abstract
Este artículo ofrece un exhaustivo análisis histórico y lingüístico de la misión jesuita, sustentándose principalmente en la correspondencia y las crónicas de finales del siglo XVI y principios del XVII. Se centra en los desafíos lingüísticos y las estrategias empleadas para evangelizar a las poblaciones indígenas, destacando el papel crucial del dominio de lenguas originarias, tales como el Náhuatl, Otomí y Tarasco, para una conversión efectiva y duradera. Se analizan figuras clave como Pedro Sánchez, Juan de Tovar y Pedro de Hortigosa, que ilustran los esfuerzos de la orden por reclutar personal con destrezas lingüísticas y la consecuente traducción cultural necesaria para la enseñanza de la doctrina católica. El texto revela las tensiones inherentes al contexto colonial, que incluyen la lucha persistente por equilibrar la necesidad de un mayor número de misioneros con la dificultad de integrar nuevos miembros, así como los debates internos recurrentes en cuanto a la priorización del trabajo misional y la adquisición idiomática. Por último, las fuentes detallan los esfuerzos jesuitas para establecer una estrategia de evangelización sólida y lingüísticamente fundamentada, cimentando las bases para futuras misiones.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.006 | 0.030 |
| Scholarly communication | 0.009 | 0.005 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.004 | 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".