A Discourse Analysis Study of Comic Words in the American and British Sitcoms
Notice bibliographique
Résumé
This paper investigates discourse analysis and its role in studying comic words and their meaning in different contexts. This study aims at showing the relation between discourse analysis and comedy or comic words, presenting the types of comedy and comic words and how they give meaning of mocking, teasing and sarcasm, presenting the difference between mocking, teasing and sarcasm, displaying interjections and their relation with comic words, in addition to analyzing the data in terms of tables. It is hypothesized that many people do not know the meaning of discourse analysis and comedy. Second, they do not have the capacity to differentiate between comedy, mocking, sarcasm and teasing. They also do not know how to use comic words in expressions. Above all, many of them cannot analyze a particular episode properly and people cannot know the intentions of the speaker concerning comic words. The value of this study is for people who are interested in linguistics. The data used in this study are the American sitcom ‘Friends’ and the British one titled ‘Bottom’. The data is analyzed on the basis of the theories of the Cooperative Principle and Taflinger model. The results of “Friends”, the American sitcom and “Bottom”, the British one, show that there are many comic words. The characters use interjections or onomatopoeia to communicate laughter and excitement. The use of teasing is also emphasized by the use of other comic words like: a*s, breasts, and idiot for presenting jokes and laughter sense.
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) | 0,000 | 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) | 0,000 | 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 ».