MétaCan
Menu
Retour à la cohorte
Enregistrement W2981045100 · doi:10.5539/ijel.v9n6p64

English Compliments by Chinese and German Female EFL Speakers

2019· article· en· W2981045100 sur OpenAlexvenueno aff
Ruoyu Zhu

Notice bibliographique

RevueInternational Journal of English Linguistics · 2019
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueLanguage, Discourse, Communication Strategies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésGermanPragmaticsPsychologyLinguisticsFactor (programming language)Social psychologyComputer science

Résumé

récupéré en direct d'OpenAlex

Based in the field of variational pragmatics, the present study investigates the effect of one of the macro-social factors, regional factor, on the use of compliment strategies. More specifically, the present study would like to find out whether in the same situation, the compliment strategies used by Chinese female EFL speakers and German female EFL speakers differ. A questionnaire was designed in order to collect the date, which employs two Discourse Completion Tasks (DCT). A corpus of 20 dialogues were collected, consisting of 10 from Chinese informants and 10 from German informants. In the present study, all social factors, except the regional one, are controlled, which means the informants were asked to complete two dialogues which happen in two given situations, between two friends in the same age group and of the same gender (sex). Furthermore, the gender (sex) and age of the informants are homogenized, which ultimately makes the regional factor the only prominent and researched macro-social factor. After analyzing the date, the results of each of the two given situations are respectively achieved. First, by comparing the frequencies of the two main types of compliments, explicit compliments and implicit compliments, used by Chinese female EFL speakers and German female EFL speakers. Second, by comparing the frequencies of varieties of sub-categories of the two main types of compliments. Moreover, the frequencies of two types of modifiers used in the compliments are objects of analysis. Finally, the results of a previous study on American English compliment strategies is included in the comparison, to show whether the English compliment strategies used by EFL speakers and English native speakers differ.

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)0,005
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,877
Score d'incertitude au seuil0,926

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
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 Opus0,018
Tête enseignante GPT0,307
Écart entre enseignants0,288 · 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'étudeSans objet
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
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of English LinguisticsMême sujetLanguage, Discourse, Communication StrategiesTravaux en français237 207