Reframing: parole composte e social media
Bibliographic record
Abstract
La rivoluzione digitale e la pandemia hanno contribuito ad arricchire il vocabolario delle diverse lingue in modo consistente e rapido (Thorne 2020; Roig–Marín 2021). Nella creazione di parole nuove, metafore e metonimie giocano spesso un ruolo chiave (Benczes 2006); in particolare, in lingua inglese, è il caso delle parole composte a base metaforica o metonimica – compounds (Algeo 1991; Benczes 2005). Alcune di queste nuove coniature in inglese si sono allineate a un framing concettuale pre-esistente a connotazione negativa, come per esempio greenwash, sportwash, happy-wash sulla falsariga di brainwash. Altre hanno proposto un reframing. È il caso del sostantivo ‘caremonger(ing)’ che proprio durante la pandemia, sui social network, ha generato una ‘contro’ narrativa rispetto alla tendenza del momento a diffondere allarmismi ‘scaremonger/ing’, collocandosi all’interno di un modello a base metaforica di compound dispregiativi a partire dal lessema ‘-monger’, letteralmente ‘commerciante/venditore’, ma molto produttivo specie in senso figurato (warmongering, hatemongering, wordmongering) fin dal XVI secolo come attestato dall’OED. Lanciato via Facebook, da Toronto (Canada), nel marzo 2020, ‘caremonger(ing)’ emerge per indicare l’incoraggiamento di gesti di solidarietà durante il Covid-19 e si concretizza subito come movimento sociale coinvolgendo oltre 190mila persone (Seow, McMillan et al. 2021). In questo contributo si intende analizzare il compound nella relazione semantica tra i due elementi che lo compongono, nell’aspetto fonologico, nel ribaltamento semantico o implicit irony (Partington 2010) da cui si origina rispetto ad altri compound da ‘-mongering’ e nel relativo reframing concettuale che propone, inclusi aspetti della sua diffusione, tramite hashtag, all’interno di una comunicazione prettamente digitale.
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 | 0.003 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.007 |
| Scholarly communication | 0.014 | 0.026 |
| Open science | 0.001 | 0.008 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.019 | 0.003 |
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".