Wikinger-Einfluss auf Altenglisch ist am deutlichsten in den unverzichtbareren Elementen der Sprache. Pronomen, Modals, Vergleiche, pronominale Adverbien (wie “daher” und “zusammen”), Konjunktionen und Präpositionen zeigen den deutlichsten dänischen Einfluss. Der beste Beweis für skandinavischen Einfluss erscheint in umfangreichen Wortaufnahmen, aber weder in Skandinavien noch in Nordengland gibt es aus dieser Zeit, um bestimmte Beweise für einen Einfluss auf die Syntax zu liefern. Der Wechsel zu Altenglisch von Altnordischen war substanziell, allgegenwärtig und von demokratischem Charakter. [6] [7] Wie enge Cousins ähnelten sich Altnordische und Altenglischeeinander, und mit einigen gemeinsamen Worten verstanden sie sich grob; [7] Mit der Zeit schmolzen die Beugungen dahin und das analytische Muster entstand. [9] [12] Es ist am wichtigsten zu erkennen, dass sich die englische und die skandinavische Sprache in vielen Worten hauptsächlich in ihren biegungsrelevanten Elementen unterschieden. Der Text des Wortes war in den beiden Sprachen so fast gleich, dass nur die Endungen dem gegenseitigen Verständnis Hindernisse in den Weg legen würden. In der gemischten Bevölkerung, die im Danelaw existierte, müssen diese Enden zu viel Verwirrung geführt haben, die allmählich verdunkelt und schließlich verloren gegangen sind.” Diese Vermischung von Völkern und Sprachen führte glücklicherweise zu einer “Vereinfachung der englischen Grammatik”. [6] Ein weiteres MNAS-Problem hat mit der Zielpopulation zu tun.
Die ersten drei MNAS-Wellen konzentrierten sich auf die städtische Bevölkerung11,12, während die letzte auf die gesamte mexikanische Bevölkerung konzentrierte [Medina-Mora ME, persönliche Kommunikation, März 2007]. Es bestand Interesse, im Laufe der Zeit Schätzungen für die Raucherindikatoren zu erhalten, die sich auf die gesamte mexikanische Bevölkerung beziehen konnten, und daher mussten die zusammenfassenden Maßnahmen für das Rauchen angepasst werden. Das Anpassungsverfahren bestand aus zwei Schritten. Erstens wurden die stark ländlichen Bevölkerungen, die im MNAS 2002 beprobt wurden, von der Analyse unter Verwendung des Marginalitätsindex der Gemeinden ausgeschlossen, aus dem Beobachtungen stammten. Zweitens wurden die Daten mit geeigneten Erhebungstechniken analysiert, und für eine Bevölkerung, die der mexikanischen Bevölkerung von 2005 in Bezug auf Alter und Geschlechterverteilung sowie durchschnittliche Marginalität sehr ähnlich ist, wurde ein angepasster Anteil oder Mittelwert ermittelt. Die Korrelation zwischen Raucherprävalenz und Raucherintensität und Marginalität war negativ, was auf eine bessere Rauchersituation in den ländlichen Regionen Mexikos hindeutet (Daten wurden nicht angezeigt). Die durchschnittliche Marginalität für das gesamte Land lag 2005 innerhalb einer Standardabweichung vom Stichprobendurchschnitt in jeder MNAS-Welle. Daher eigneten sich die analysierten Daten für die nationale Schätzung in Bezug auf die Marginalität. Darüber hinaus ermöglichten die insgesamt angepassten zusammenfassenden Maßnahmen nach Geschlecht, die unter Verwendung der gleichen Altersstruktur in jedem Geschlecht geschätzt wurden, direkte Vergleiche zwischen den Geschlechtern. Wie bei Substantiven gab es eine gewisse biegtliche Vereinfachung (die unterschiedlichen altenglischen Doppelformen gingen verloren), aber Pronomen behielten, im Gegensatz zu Substantiven, unterschiedliche nominative und akkusative Formen bei. Auch die Pronomen der dritten Person hielten eine Unterscheidung zwischen Akkusativ- und Dativformen bei, die jedoch allmählich verloren gingen: Der männliche Hinwurde durch ihn südlich der Themse im frühen 14. Jahrhundert ersetzt, und der kastrierte Dativ wurde von ihm in den meisten Dialekten durch das 15.
Jahrhundert verdrängt. [33] LeNet-5, ein bahnbrechendes 7-stufiges Konvolutionalnetzwerk von LeCun et al. im Jahr 1998[36], das Ziffern klassifiziert, wurde von mehreren Banken angewendet, um handschriftliche Zahlen auf Schecks (britisches Englisch: Schecks) zu erkennen, die in 32×32-Pixelbildern digitalisiert wurden. Die Fähigkeit, Bilder mit höherer Auflösung zu verarbeiten, erfordert größere und mehr Schichten konvolutionaler neuronaler Netzwerke, sodass diese Technik durch die Verfügbarkeit von Rechenressourcen eingeschränkt wird.