Exploring Online Arabic Complaints in Hotel Reviews on TripAdvisor: A Discourse-Pragmatic Study
Notice bibliographique
Résumé
Although much work has explored Arabic complaints in face-to-face (FTF) communication, the subject has received less scholarly attention in computer mediated communication (CMC). In response to the lack of studies on online Arabic complaints, the present study aimed to identify the types of speech acts employed in Arabic complaints on TripAdvisor, the specific topics evaluated in negative reviews, and the adjectives used to convey the reviewers’ evaluations. The study was conducted on hotels in Saudi Arabia, with a sample comprising 246 reviews of 35 hotels in Riyadh, Al-Khobar, and Jeddah. Only 5-star hotels were included. The data were collected manually and analyzed qualitatively and quantitatively using Microsoft Excel. The results showed that when writing negative reviews on TripAdvisor, Arabs used various speech acts to express their complaints; the most frequently used were retrospective speech acts that included mostly negative evaluations with some positive evaluations. Additionally, the topics most frequently evaluated negatively were services, interpersonal relations, and accommodation; such negative evaluations featured various adjectives with some adverbs to intensify the negative review. Regarding positive evaluations, location was the most frequent positively evaluated aspect, followed by services and accommodation. The results also demonstrated that Arabs rarely used opening and closing speech acts in their negative reviews on TripAdvisor. Finally, the study’s limitations and suggestions are discussed in this paper for the benefit of further research.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».