The Persuasive Power of Hedges: Insights from TED Talks
Notice bibliographique
Résumé
The corpus-based study focuses on the use of hedges in persuasive TED Talk speeches, which are powerful, premeditated speeches delivered in a distinctive communicative environment that combines elements of both spoken and written discourse. The authors employ both quantitative and qualitative methods to analyze the hedging devices used to bolster the three rhetorical appeals: ethos, pathos, and logos. The results show that only 2% of the words in the corpus serve as hedging devices, which is lower compared to previous studies on written and spoken discourse. The incidence of hedges is highest in the logos parts, followed by pathos, with the lowest incidence in ethos. Strong credibility is generally established by avoiding hedging devices. To evoke emotions in the audience, the speakers mainly rely on adverbs and verbs. The use of approximators and shields to strengthen logos resembles the use of hedges in written academic discourse. The qualitative analysis focuses on the four most commonly used hedges: ‘actually’, ‘just’, ‘could’, and ‘think’. ‘Actually’ has a mitigating effect when it promotes intimacy, indicates the speaker's commentary, or introduces a challenging, even reinforcing effect. ‘Just’ is often used to convey a mildly positive or reassuring tone in communication. Both the parenthetical phrase ‘I think’, used in a variety of meanings, and the modal verb ‘could’, used as a hypothetical possibility, most often enhance the logical strength of an argument. The paper suggests incorporating these findings into ESL teaching materials and conducting further studies on the topic, as most existing studies focus on developing a scientific argument in writing. Developing an argument in speech is distinct and deserves attention.
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 | 0,001 |
| 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) | 0,001 | 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 ».