MétaCan
Menu
Retour à la cohorte
Enregistrement W2108131409 · doi:10.5539/elt.v7n7p26

Metadiscourse Use in the Persuasive Writing of Malaysian Undergraduate Students

2014· article· en· W2108131409 sur OpenAlexvenueno aff
Helen Tan, Wong Bee Eng

Notice bibliographique

RevueEnglish Language Teaching · 2014
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueDiscourse Analysis in Language Studies
Établissements canadiensnon disponible
Organismes subventionnairesUniversiti Putra Malaysia
Mots-clésMetadiscoursePsychologyLinguisticsAcademic writingVariety (cybernetics)Mathematics educationComputer science

Résumé

récupéré en direct d'OpenAlex

Metadiscourse is a prevalent linguistic resource that helps writers to manage the flow of the propositional contents and to direct their stance towards their contents and readers. Its dominance in persuasive writings has motivated this study which is to examine the occurrences and forms of metadiscourse use in the writing of both the high (HEP) and low (LEP) English proficiency Malaysian undergraduate writers. Both the quantitative and qualitative findings of the metadiscourse use were obtained using a concordance software (MP2.2). The results indicated that between the two main domains of metadiscourse, both groups of writers exhibited a greater preference for the use of interactional metadiscourse than the interactive. Between the two groups of writers, it was the HEP writers who exhibited a higher frequency of use for both the interactive and interactional metadiscourse. In terms of the forms used, the HEP writers also used a greater variety of metadiscourse forms when compared to the LEP writers. Based on the results, it can be concluded that the HEP writers had a greater awareness of the academic writing conventions, while the LEP writers still lacked this awareness in their writing. Furthermore, variant forms of metadiscourse use were also noted. This finding implies that more instructional help may be needed to raise the LEP writers’ awareness on the importance of metadiscourse use in a persuasive discourse.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,010
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,010
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0030,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,288
Écart entre enseignants0,270 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations20
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnglish Language TeachingMême sujetDiscourse Analysis in Language StudiesTravaux en français237 207