Borrowing of discourse functions of English "suggest" by Spanish "sugerir" in biomedical research articles: a contrastive study
Notice bibliographique
Résumé
Corpus-based studies have grown in popularity as advances in computer technology have made it possible to analyse extremely large quantities of electronically stored text data. The application of corpus techniques to bilingual data in contrastive studies is a valuable method to gain insight into both grammatical patterns and the use of polysemous or multifunctional lexical items, allowing distinctions to be made between their meanings and functions. This has led to a plethora of English-Spanish studies both from a general language perspective (Labrador 2004, 2007; Rabadan 2006, 2007; Ramon-Garcia 2006, 2007) and in specialised domains of language such as medical discourse (Lopez-Arroyo and Mendez-Cendon 2007; Williams 2004, 2005, 2007, 2008). In biomedical research articles (RAs), the polysemous verb suggest is commonly used by authors as a hedging device to express tentative claims and to attenuate evaluation of other researchers’ work. In a wider context of academic prose, Biber et al. (1999) classify suggest as a communicative verb, and note that it occurs at a frequency of over 400 tokens per million words, is associated with a nominal that clause in over 100 cases per million words, and “when such [communication] activities are reported, they are often attributed to some inanimate entity as subject of the verb” (Biber et al. 1999: 372). Suggest, therefore, makes a considerable contribution to the impersonal style of both academic and scientific prose, and forms part of a cluster of verbs (including indicate, find, show, prove, demonstrate) that allow writers both to express their evidence-based claims along a scale of certainty
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».