MétaCan
Menu
Retour à la cohorte
Enregistrement W2589309202 · doi:10.1186/s40554-017-0041-9

Disciplinary variations in academic promotional writing: the case of statements of purpose

2017· article· en· W2589309202 sur OpenAlexafffund
Sibo Chen

Notice bibliographique

RevueFunctional Linguistics · 2017
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueDiscourse Analysis in Language Studies
Établissements canadiensSimon Fraser University
Organismes subventionnairesSimon Fraser University
Mots-clésDisciplineRhetorical questionPersuasionAcademic writingDiscourse communityGenre analysisEnglish for academic purposesApplied linguisticsMainlandSociologyScientific writingMainland ChinaLinguisticsPedagogyPolitical scienceSocial scienceChina

Résumé

récupéré en direct d'OpenAlex

Abstract This paper explores disciplinary variations in academic promotional writing via a comparative analysis of statements of purpose (SoPs) written for different disciplines. A total of 100 SoPs written by English as an additional language (EAL) applicants from mainland China were collected, which were drawn from five academic disciplines: business, engineering, humanities, science and social science. Following a corpus-driven research design, these SoP samples were analyzed in terms of their lexico-grammatical and rhetorical features. The data analysis suggests that although on the surface these SoP samples share similarities in lexico-grammatical and rhetorical features, they are quite different in terms of their preferred persuasion strategies. While SoPs written for engineering and science primarily base their self-promotional arguments upon the applicants’ previous research experiences and future research prospects, those written for business, humanities and social science tend to focus on how the applicants’ unique Chinese socio-cultural backgrounds would contribute to their desired programs. The above finding sheds light upon how academic genres are invariably embedded in disciplinary practices, with each discipline having its own communicative purposes, discourse community members, academic expectations and disciplinary constraints.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,490
Score d'incertitude au seuil0,631

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,100
Tête enseignante GPT0,383
Écart entre enseignants0,282 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
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

Citations3
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueFunctional LinguisticsMême sujetDiscourse Analysis in Language StudiesTravaux en français237 207