Um litarorðaforða í íslensku
Bibliographic record
Abstract
Þessi ritgerð fjallar um liti. Ég ákvað að skrifa um liti vegna þess að þrátt fyrir góða kunnáttu í íslensku finnst mér ég oft ekki vera sammála Íslendingum þegar kemur að því að lýsa litum. \n\tMaður spyr sig stundum hvort aðrir sjái lit á sama hátt. Þetta stafar af einkar huglægu eðli lita, enda torskilgreinanlegt fyrirbæri. Öll tungumál eru fær um að lýsa litum, en tungumál eru með mismörg og nákvæm orð um þá. Ólíkt hlutlægum hlutum eins og trjám eða steinum eru litir ekki eins takmarkaðir – menn eru stundum ósammála um það hvað einn eða annan lit ætti að kalla. Til dæmis eru ljósir hestar oft sagðir vera gráir á íslensku, en hvítir á frönsku. \n\tHvernig þróast litarorðaforði? Eru algildar reglur um það? Hvernig flokkast litarorð? Eru öll tungumál með orð yfir sömu litina? Hvaða áhrif hefur móðurmál manns á orðaval þegar kemur að því að lýsa lit? Hvað eru grundvallarlitarorð og hvers vegna eru ekki öll litarorð grundvallarlitarorð? Hvað hefur íslenska mörg litarorð? Hvaðan koma þau? Hversu mörg þeirra eru gamall arfur og hversu mörg eru af erlendum uppruna? Hvernig er íslenska frábrugðin móðurmáli mínu, Québec-frönsku? \n\tÍ þessari ritgerð verður reynt að komast að niðurstöðum um þessar spurningar. Með hjálp tveggja rannsakenda, Brents Berlins og Pauls Kays, og rannsókn þeirra á litum í tungumálum verður stefnt að því að reyna á kenningu þeirra um þróunarferli litarorða. Einnig verður reynt að þróa kenningu um eðli, aldur og stigveldi lita sem á sérstaklega við frumindóevrópsku og íslensku út frá verki Berlins og Kays. Síðan verður hugað að uppruna nýrri litarorða í íslensku og hvernig þau komust inn í málið, og verður fjallað um sérstöðu litarorðaforða íslenskunnar með tilliti til annarra evrópskra tungumála.
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) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.006 | 0.002 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.233 | 0.101 |
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".