Systematic Literature Review of Crosslinguistic Analysis of Stance Markers in EFL Learners’ Academic Writing in English
Notice bibliographique
Résumé
Evaluating the use of stance markers is an important approach to investigate the interactional and persuasive nature of academic writing in English. However, the problems EFL learners’ face using of stance markers and its research methodologies in crosslinguistic analysis are uncertain. This systematic literature review examined problems EFL learners’ face in using of stance markers and the research methodologies used to identify these problems in crosslinguistic research. The current study employed the PRISMA 2020 paradigm to conduct a systematic literature review (SLR) of crosslinguistic analysis of stance markers in EFL learners’ academic writing in English. Keywords queries on “stance*”, “academic writing*”, “metadiscourse*” and “metadiscursive*” were used to retrieve articles from Scopus and Web of Science databases. Following screening, 34 articles were included in the final analysis. EFL learners had problems in using hedges, boosters, self-mentions and attitude markers, and their main challenges were in the overuse of boosters and underuse of hedges. Chinese EFL learners had the most problems in using stance markers. All the 34 articles adopted an empirical approach and most were a corpus-based study. Researchers were fond of argumentative essays, dissertations, and research articles from coursework. In addition, scholars preferred one-way comparisons especially between native language and interlanguage (NL vs IL). Enhancing EFL learners' awareness of stance markers would require more instructions regarding stance markers in academic writing classrooms and future research should use three-way or four-way comparisons in crosslinguistic analysis.
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 | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| 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 | 0,001 |
| 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 ».