Negatively Marked Vocabulary in Ukrainian-Language Journalism of the First Quarter of the 21st Century
Bibliographic record
Abstract
Статтю присвячено дослідженню різноманітної негативно маркованої лексики в українськомовному публіцистичному стилі першої чверті ХХІ століття. Актуальність розвідки зумовлено постійним і неухильним чисельним збільшенням названих слів в загальнонародній мові загалом і в публіцистичному функційному різновиді зокрема, а також зростанням інтересу сучасної лінгвістичної науки до цієї проблематики. Матеріалом для цієї статті слугували понад 200 одиниць, одержаних методом суцільної вибірки з названого стилю української мови (газет, журналів, програм і передач радіо й телебачення) за 2000–2025 роки. На першому етапі виявлено й розглянуто головні позамовні та внутрішньомовні чинники, що сприяли виникненню та активному функціонуванню значної кількості негативно маркованих слів у сучасній публіцистиці. Особливу увагу було зосереджено на вивченні генезису студійованих одиниць. В українськомовному публіцистичному стилі першої чверті ХХІ століття виявлено й ґрунтовно проаналізовано такі основні джерела поповнення негативно маркованих лексем: власне розмовні слова, різноманітні жаргонізми, сленгізми, арготизми, авторські неологізми, запозичення, діалектизми. Серед тематичних груп засвідчено різноманітні назви осіб, зокрема одиниці на позначення зовнішнього вигляду людини, її розумових здібностей, а також збірні іменники, номінації дій і станів, ознак і якостей.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.004 | 0.005 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 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; both teacher heads agree on what is shown here.
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".