Сравнительный анализ использования феминитивов в современных развлекательных медиа (на примере английского, итальянского и русского языков)
Bibliographic record
Abstract
Данная работа посвящена изучению употребления феминитивов-неологизмов на материале развлекательных СМИ в медиадискурсе трёх языковых систем, рассматриваются социолингвистические и словообразовательные аспекты. Задачи, которые решались в ходе исследования: 1. Проанализировать предпосылки и тенденции употребления феминитивов в аспекте социолингвистических исследований. 2. Рассмотреть основные аспекты изучения феминитивов в лингвистических исследованиях. 3. Определить значимость фактора гендерной дифференциации для носителей разных языков и культур, выявить универсальные и культурно-специфичные тенденции развития феминитивов. 4. Определить основные характеристики и границы феминитивов как лексико-семантической группы. 5. Изучить механизмы образования феминитивов-неологизмов. 6. Проанализировать функционирование феминитивов-неологизмов в современном медиадискурсе и выявить коммуникативно-прагматические и стилистические особенности их употребления в данном типе дискурса. В ходе работы рассмотрены социокультурные и лингвистические предпосылки к развитию неофеминитивов, способы их словообразования. Материалом для сравнительного анализа послужили развлекательные медиа двух типов – гендерно-ориентированные (русскоязычные «Горящая изба», «Woman.ru», итальяноязычные «Vanity Fair Italia», «IO Donna», англоязычные «Vogue» и «Elle Canada») и СМИ общего типа (русскоязычные «The Blueprint», «НОЖ»; итальяноязычные «Il Post», «Fanpage», англоязычные «Vice», «The Cut»). В результате были выделены общие и частные тенденции использования феминитивов. Собран вручную корпус из 15078 контекстов, статистически подсчитана частотность употребления выбранных для анализа номинаций, определены выполняемые ими в контексте функции. Примеры и контексты употребления лексем отобраны методом сплошной выборки за период с 2020 по 2025 год. Для этого применялся поиск по ключевым словам.
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 | 0.001 |
| Bibliometrics | 0.001 | 0.004 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.000 | 0.003 |
| Open science | 0.005 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
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".