An Analysis on Stylistic Features of Donald Trump’s Speech
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
For government or leaders, public speaking is an important way to show the statesmanship and eloquence. It is a means of attracting groups of people who come from different classes. As the president of the United States, Donald Trump’s speaking talent plays an important role in the general election. Stylistics, which uses theories of modern linguistics to solve problems, aims at studying linguistic features and revealing the effect and function of pragmatic expression. This article selected Donald Trump’s three typical speeches, which studies from the perspective of stylistics on three major aspects—language description, textual analysis and contextual analysis. The analysis yielded the following results, 1) Language description consists of lexical analysis and syntactic analysis. On lexical level, Trump tends to use more abstract nouns and first person plural pronoun to make the addresses persuasive and more acceptable. Syntactically, for the sake of expressing information effectively and attracting more support, simple sentences and declarative sentences are prevailing in the speeches; 2) On the aspect of textual analysis, Trump employs topical division, problem-solution division and chronological division in an overlapping way in main body of speeches and creates crescendo in closure; 3) Contextual analysis shows that language varies from situations and they are formal and highly-structured. In a word, to analyze Donald Trump’s speech on stylistic features is significant for us on observing the features of his speeches and word-using habits.
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.
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 | 0,038 |
| 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 | 0,001 | 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 découle