Identifying Taxis and Logico-Semantic Relations in Chinese EFL Writing Samples
Notice bibliographique
Résumé
In the context of EFL writing in China, there is a prevalent tendency among students to heavily rely on the provided model essays from teachers, leading to a phenomenon known as sameness. This overreliance often results in confusion when it comes to expressing ideas effectively in sentences. To address this issue, this paper adopts an analytical framework based on the theory of Systemic Functional Linguistics (SFL). SFL is a linguistic theory that emphasizes language’s social context and meaning (Halliday, 1985; 1994). Notably, SFL prioritizes meaning over form and examines the organization of texts as well as individual sentences. The theory has been widely applied in discourse analysis and language teaching. This paper offers a brief literature review on key SFL terms, such as language rank, clause, clause complex, taxis, and logico-semantic relation. Additionally, the paper presents examples of identifying taxis and logico-semantic relations using two types of EFL writing samples from SFL perspective. The analysis reveals that the first text, a comparison and contrast essay, predominantly employs the relation of extension, whereas the second text, an argumentative piece, prominently exhibits the logico-semantic relation of enhancement. The paper provides insight into the use of SFL as an analytical tool for analyzing variable text types. Students learning from these analytical tools may have more grammatical awareness in identifying clause boundaries and logico-semantic relations across different writing genres.
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 | 0,001 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».