Comparative Rhetorical Organization of ELT Thesis Introductions Composed by Thai and American Students
Notice bibliographique
Résumé
Genre analysis is today’s dominant approach for textual analysis, especially in the ESP learning and teaching profession. Adopting this approach, the present study compares the Introduction chapters of MA theses in ELT (English Language Teaching) written by Thai students to those written by American university students based on the move-step analysis. Two sets of corpora comprise 30 TSI (Thai student Introduction) and 30 ASI (American student Introduction) Introduction chapters from the theses that followed the traditional five-chapter pattern or ILrMRD. All the TSI and ASI datasets were purposively collected from two electronic databases of graduate theses and dissertations, publicly known ThaiLis Digital Collection and ProQuest Dissertations and Theses. These were subsequently analyzed using genre analysis approach. The modified CARS model introduced by Bunton (2002) guides the move-step analysis. To ensure the coding reliability and consistency, the coding analysis of a subset of the entire datasets between the researcher and an expert coder was checked, and the coding agreement was at a highly satisfactory level. The findings demonstrated that both Thai and American MA students followed the moves and steps proposed in the framework to construct their Introduction chapters rhetorically. Both similarities and differences were discovered in the Introduction chapters investigated, in terms of the communicative purpose, the frequency of move-step occurrences, and the move-step classification. Pedagogical implications drawn from the present study are useful for EAP practitioners and research writing instructors, allowing ESL/EFL teachers to equip their graduate students with an appropriate rhetorical outline for thesis Introduction composition.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».