Challenges of Nigerian Accounting Postgraduate Students in Taking up Stance in Ph.D. Theses in Bayero University, Kano, Nigeria
Notice bibliographique
Résumé
This paper investigates the use of stance linguistic features in accounting Ph.D. theses in a Nigerian university. We adopted a mixed-methods approach by combining a textual analysis of the theses and explored the context of writing of the participants similar to Swale’s textography approach. We compiled three corpora: Bayero University corpus of six accounting Ph.D. theses (BUK corpus); a United Kingdom corpus of six accounting PhD theses (UK corpus) and a corpus of eleven journal articles of accounting (JAA corpus). The results of textual analysis indicate that there is a higher frequency of hedges in all the three corpora than other stance features, followed by boosters, then attitudinal markers, and explicit self-mention features. One striking finding from the BUK corpus is that the authors are rarely used self-mention features compared to authors from other two corpora. However, the result of the chi-square indicates that the differences among the three corpora’s use of stance features are insignificant. The contextual data suggests that non-teaching of English for specific purposes and the traditional practices of Bayero University might be some of the possible factors that constrained authors’ use of stance linguistic features. We recommend introduction of teaching English for specific purposes on postgraduate programmes in Nigerian universities.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,005 | 0,003 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,000 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».