Logo Lanfrica
  • Accueil
  • Atlas
  • Analyses
  • Documentation
  • Sign in

© 2026 Lanfrica. Tous droits réservés. Tous les droits d'auteur des ressources affichées sur le site Web Lanfrica appartiennent aux détenteurs de droits d'auteur d'origine, sauf indication contraire explicite.

LANGUAGE DYNAMICS FOR DIALECT CLASSIFICATION Dinàmica de la llengua per a la classificació dialectal : un esbòs en miniatura LANGUAGE DYNAMICS FOR DIALECT CLASSIFICATION: A SKETCH IN MINIATURE

Domaine:

natural language processing

Type de record:

paper
Créateur:
Léo
Éditeur:
Lab
Éditeur:
CCSDPub
Hôte:avatar
International audience El paradigma de la Dinàmica Lingüística encara és poc conegut pels dialectòlegs i especialistes en classificació lingüística. L’objectiu d’aquest article és mostrar com un enfocament segons la Teoria de Sistemes Dinàmics Adaptatius Complexos pot ser beneficiós per a les teories i mètodes de classificació dialectal. Els principis, mètodes i eines tant de la dialectologia qualitativa (isoglosses, àrees etnolingüístiques) com de la quantitativa (cladística i distància d’edició) s’apliquen aquí a l’occità i al mazatec (otomang) per validar la uniformitat (universalitat) del mètode de la complexitat en termes de Taxonomia del llenguatge crític. The paradigm of Language Dynamicsis still little known to dialectologists and language classification specialists. The aim of this article is to show how an approach in terms of the Theory of Complex Adaptive Dynamical Systems(CADS) can be of great benefit to the theories and methods of dialect classification. The principles, methods and tools of both qualitative dialectology (isoglosses, ethnolinguistic areas) and quantitative dialectology (cladistics and editing distance) are applied here to Occitan and Mazatec (Otomangue) in order to validate the uniformity(universality) of the complexionist method in terms of Critical Language Taxonomy(CTL) Le paradigme de la Dynamique des Langues demeure encore largement méconnu des dialectologues et des spécialistes de la classification linguistique. Cet article se donne pour ambition de démontrer combien une approche fondée sur la Théorie des Systèmes Adaptatifs Dynamiques Complexes (SADC) peut enrichir, de manière décisive, les théories et les méthodes de classification dialectale.En mobilisant les principes, méthodes et outils issus à la fois de la dialectologie qualitative (isoglosses, aires ethnolinguistiques) et de la dialectologie quantitative (cladistique et distance d'édition), l’étude s’attache ici à deux terrains contrastés : l’occitan et le mazatèque (famille otomangue). L’objectif est de valider l’uniformité – ou mieux, l’universalité – de la méthode complexionniste, envisagée dans le cadre d’une Taxonomie Critique des Langues (TCL).Dans cet effort, il s’agit de reconnaître que les langues, loin de se réduire à des systèmes clos, sont des entités vivantes, ouvertes, où les interactions multiples – géographiques, historiques, sociales et symboliques – génèrent des dynamiques imprévisibles, mais intelligibles. Une telle démarche, systémique et transdisciplinaire, appelle non seulement à repenser la classification dialectale, mais à intégrer les dimensions plurielles et complexes de l’écosystème linguistique. Ainsi, c’est dans la reconnaissance de cette complexité irréductible que réside l’éclairage fondamental de ce travail.

Visit

hal.science

Tags

Language DynamicsLevenshtein algorithmcomputational dialectologydiasystemic modelingdialectologyMazatecOccitan dialectsMexicoFrance[SHS]Humanities and Social Sciences

Similaires

ArabicDialectSafety: A Dialect-Aware Benchmark for Arabic Content Safety ClassificationSocial Media Sentiment Classification for Tunisian Dialect: A Deep Learning ApproachKeneke-sketch/Otjiherero-language-Otjihimba-dialect-learning-apped4mee/tunisian-dialect-classificationAdeeem2/Tunisian-dialect-classificationA Sentiment analysis classification for texts in social media:application to the Tunisian dialect

ArabicDialectSafety: A Dialect-Aware Benchmark for Arabic Content Safety Classification

We present ArabicDialectSafety, a human-curated Arabic safety dataset of 25,071 prompts covering six

Social Media Sentiment Classification for Tunisian Dialect: A Deep Learning Approach

Keneke-sketch/Otjiherero-language-Otjihimba-dialect-learning-app

# Otjiherero-language-Otjihimba-dialect-learning-app

ed4mee/tunisian-dialect-classification

Adeeem2/Tunisian-dialect-classification

A machine learning model that classifies Tunisian dialect sentences as either positive or negative i

A Sentiment analysis classification for texts in social media:application to the Tunisian dialect

Currently, our life is based on information and its analysis. More and more, people communicate, dif