Exploring the Rhetorical Use of Interactional Metadiscourse: A Comparison of Letters to Shareholders of American and Chinese Financial Companies
Notice bibliographique
Résumé
By taking Hyland and Tse’s (2004) interactional metadiscourse model, this study attempts to compare the incidence of the interactional metadiscourse markers in letters to shareholders of American and Chinese companies in the financial industry and their rhetorical functions. This study makes American corpus of 41 letters and Chinese corpus of 37 letters both of which are written in English. WordSmith is adopted to find out the differences in incidence of these markers. Chi-square test further confirms these differences are significant. It is consequently found that five types of interactional metadiscourse markers are all deployed in both American and Chinese corpus but the incidence of each marker is much more in American corpus than that in Chinese corpus. Besides, this study identifies that self-mentions and engagement markers are the most frequently employed in both corpora. However, it is noticeable that self-mentions and engagement markers collaborate with another three types of markers more tactically and flexibly in American corpus than in Chinese. In particular, self-mentions markers are found to use with not only boosters, but hedges and engagement markers in American corpus, while self-mentions markers in Chinese corpus only collaborate with hedges. In addition, the engagement markers of model verbs and personal pronouns are more active in American corpus than these in Chinese. This study finds out American companies integrate these markers into building a positive personal or corporate image and closing writer-reader relationship, thereby accomplishing the promotional and persuasive purposes. It may suggest that Chinese companies employ the integration of interactional metadiscourse markers as strategically as American.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».