Semantic Categories of Reporting Verbs across Four Disciplines in Research Articles
Notice bibliographique
Résumé
This paper investigates semantic categories of reporting verbs across four disciplines: Accounting, Applied Linguistics, Engineering and Medicine in research article genre. A general corpus of one million words and sub-corpus (for each discipline) were compiled from a total of 120 articles representing 30 articles from each discipline. In this study, two levels of analysis were conducted. Firstly, I randomly selected five articles from each discipline and read and reread each article identifying what reporting verbs are used, in what context are used and why such reporting verbs are used. This process enabled me to identify semantic categories of reporting verbs. Secondly, on the basis of the identified list of semantic categories of reporting verbs, I used the list in generating concordance output for quantitative textual analysis of each sub-corpus of the four disciplines, as well as the general corpus. The results of the study show that writers from both Accounting and Applied Linguistics are having a high frequency of reporting verbs than writers from Engineering and Medicine disciplines. It also shows that there are certain commonalities and differences between the disciplines. For example, all the disciplines are having frequency of the three semantic categories of reporting verbs but with certain degree of variations. The study recommends raising awareness of students on semantic categories of reporting verbs. The results could also help EAP/ESP teachers in designing course materials for discipline specific reporting verbs. It could also be helpful for textbook course designers in developing textbooks for teaching reporting verbs.
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 | 0,005 | 0,004 |
| 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 | 0,001 |
| 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 ».