Discourse structure differences in lay and professional health communication
Notice bibliographique
Résumé
Purpose In this paper the authors seek to compare lay (consumer) and professional (physician) discourse structures in answers to diabetes‐related questions in a public consumer health information website. Design/methodology/approach Ten consumer and ten physician question threads were aligned. They generated 26 consumer and ten physician answers, constituting a total dataset of 717 discourse units (in sentences or sentence fragments). The authors depart from previous LIS health information behaviour research by utilizing a computational linguistics‐based theoretical framework of rhetorical structure theory, which enables research at the pragmatics level of linguistics in terms of the goals and effects of human communication. Findings The authors reveal differences in discourse organization by identifying prevalent rhetorical relations in each type of discourse. Consumer answers included predominately (66 per cent) presentational rhetorical structure relations, those intended to motivate or otherwise help a user do something (e.g. motivation, concession, and enablement). Physician answers included mainly subject matter relations (64 per cent), intended to inform, or simply transfer information to a user (e.g. elaboration, condition, and interpretation). Research limitations/implications The findings suggest different communicative goals expressed in lay and professional health information sharing. Consumers appear to be more motivating, or activating, and more polite (linguistically) than physicians in how they share information with consumers online in similar topics in diabetes management. The authors consider whether one source of information encourages adherence to healthy behaviour more effectively than another. Originality/value Analysing discourse structure – using rhetorical structure theory – is a novel and promising approach in information behaviour research, and one that traverses the lexico‐semantic level of linguistic analysis towards pragmatics of language use.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,072 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,000 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».