Preposition Pied Piping and Stranding in Academic and Popular Nigerian English Writing
Notice bibliographique
Résumé
This paper examined preposition pied piping and stranding in academic and popular Nigerian English writing with a view to determining their pattern of occurrence. Preposition placement has not been studied in Nigerian English and in specific genres. The 160 246-word relevant component of ICE-Nigeria was the sub-corpus used, and the Systemic Theory guided the study. Analysed using a multi-layered qualitative approach, the data comprised 112 cases of pied piping, 64 of stranding and 4 of doubling. Pied piping was dominant over stranding in Academic Writing (78 percent v 22 percent), and stranding was 1.7 times more frequent in Popular Writing than in Academic Writing. Though evenly distributed in Popular Writing (44 each), pied piping was about twice as frequent as stranding in Popular Natural Sciences while stranding was virtually non-existent in Academic Natural Sciences. Whereas to-infinitive and passive clauses were stranding favourite sites (21 and 15 respectively), only in wh-relative clauses did pied piping operate and in which was the prominent sequence. In Academic Writing prepositions were pied-piped and stranded at an average of 3.83 and 1.82 per form respectively, but the rates were 3.31 and 3.1 in Popular Writing. Whereas in was the most pied-piped preposition and was 5.2 times more likely to be pied-piped than stranded, up was the most stranded form and its stranding relative to pied piping was infinitely more. Subtle differences in the genres’ degree of formality explain the disparities in the distribution of pied piping and stranding in the sub-corpus analysed.
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 | 0,022 |
| 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 ».