Variación micro y macro fonética en español
Bibliographic record
Abstract
Este trabajo constituye un primer intento de elaboración de un modelo del cambio que incorpora tanto teorías de producción y percepción del habla como los resultados de los estudios de la adquisición de las segundas lenguas. Sobre la base de las primeras, se propone una distinción entre micro y macro variación, es decir, entre variación articulatoria no prominente o prominente desde un punto de vista perceptual. Sobre la base de las segundas, se elabora un modelo de categorización de la variación que se apoya en el supuesto de que los aprendices realizan un proceso de clasificación de equivalencia, en el cual comparan sistemáticamente su sistema de sonidos con el de la lengua a la que están expuestos (Flege 1995). Se argumenta aquí que, en una situación de variación y cambio sucede algo semejante y que la incorporación de la noción de clasificación de equivalencia, tomada de los modelos de adquisición de segundas lenguas permite dar cuenta de por qué ciertos cambios siguen una dirección en una comunidad y no en otra. La propuesta se ilustra con distintos procesos de variación y cambio del español de Argentina como así también con trabajos sobre otras variedades del romance (como el francés o el siciliano) y de la adquisición de segundas lenguas.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.032 | 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".