Postmodern Political Discourse: A Thematic and Linguistic Analysis of Mandela’s Long Walk to Freedom
Notice bibliographique
Résumé
The Postmodern wave of democratization and the emphasis on democratic values and right to expression make it imperative that the political discourse be studied with more and full attention. In this regard, one genre that is almost totally ignored in Pakistani context and little attention has been paid to it even at the global level, is autobiography. Autobiography is a special kind of composition in which the author gives a picture of the evolution of the self and its relation with the external world throughout this evolutionary process. The famous political autobiography Long Walk to Freedom by Nelson Mandela is, therefore, selected as the basic unit of analysis. Through content analysis different topics are separated from the original text. These topics are then grouped under different categories of van Dijk’s theory of Political Discourse Analysis (PDA). The exploration and analysis of linguistic devices are also carried out. Besides Van Dijk’s PDA, Huckin’s approach to text and Corpus Linguistics’ quantitative methodology aided the systematic in-depth analysis. Methods of both qualitative and quantitative research have been utilized for this study as the researchers believe that quantification of data along with qualitative description produce reliable results. Findings revealed various linguistic devices are used in abundance. Amongst the most prominent ones are the unique and effective use of the year-statistics, language of the minority regime, Afrikaans, Trilingual combination, dramatic language and listing or cluster of three to stress certain themes like racial discrimination, inequality, poverty, parties, law, justice, separation and history.
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 | 0,053 |
| 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 | 0,000 |
| 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 ».