The Rhetoric of Twitter in Terms of the Aristotelian Appeals (Logos, Ethos, and Pathos) in ESL/EFL Educational Settings
Notice bibliographique
Résumé
The article argues that the Aristotelian appeals (logos, ethos, and pathos) can be taught through the use of Twitter as an educational tool to build connections between everyday informal writing on social media and academic writing. It highlights the utilization of Twitter in English second/foreign language (ESL/EFL) educational settings for supporting learners’ rhetorical awareness and understanding of different writing genres. The main purpose of this article is to provide pedagogical implications and future research potentials on the use of Twitter in ESL/EFL educational settings. The Aristotelian appeals are discussed as the framework for the analysis of Twitter’s content in ESL/EFL educational contexts. In this regard, this research question is addressed: How can Twitter serve as a tool for teaching the fundamentals of writing competency in terms of the Aristotelian appeals (logos, ethos, and pathos) in ESL/EFL educational settings? To explore the current state of research and inform future studies, the researcher reviews selected academic articles on the use of Twitter in ESL/EFL language classes. All articles were accessed using Google Scholar, ERIC, and ProQuest databases. The researcher examines empirical studies published in peer-reviewed journals as well as non-empirical studies. This article addresses Twitter users’ constructions of logos, ethos, and pathos, and presents some of the accessible characteristics of Twitter. Also, it briefly provides pedagogical implications of understanding the Aristotelian appeals through Twitter in ESL/EFL educational contexts that can support the teaching and learning processes. Lastly, the researcher proposes potential research directions for Twitter use in ESL/EFL educational settings.
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 | 0,001 | 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) | 0,000 | 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 ».