MétaCan
Menu
Retour à la cohorte
Enregistrement W4390983072 · doi:10.30996/anaphora.v6i2.8689

Masterchef Canada Judges’ Strategies for Giving Compliments in the Season 7 Finale

2023· article· en· W4390983072 sur OpenAlexaboutno aff
Fanny Virginia, Ambalegin Ambalegin

Notice bibliographique

RevueANAPHORA Journal of Language Literary and Cultural Studies · 2023
Typearticle
Langueen
DomaineComputer Science
ThématiqueEnglish Language Learning and Teaching
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésNothingConversationCompetence (human resources)PragmaticsPsychologyObject (grammar)LinguisticsSocial psychologyEpistemologyPhilosophyCommunication

Résumé

récupéré en direct d'OpenAlex

This descriptive qualitative research sought to examine compliment as one of the pragmatics phenomena. The object of this research is compliment strategies applied to acknowledge contestants as interlocutors. The finale episode of MasterChef Canada season 7 entitled “And the Winner of Season 7 Is…” became the data source. It got Claudio Aprile, Michael Bonacini, and Alvin Leung to challenge the finalists to show the culmination of their skills in cooking three dishes within three hours. In giving compliments to the contestants, various ways were applied to have their compliments delivered. Compliment utterances of the three judges were collected as data through observational methods and note-taking techniques. The pragmatic identity method and pragmatic competence equalizing technique were then used to analyze the collected data. To theoretically explore compliment strategies, the theory coined by Yuan (2002) was adopted. The result reported that eight out of ten strategies were employed and those were found in 23 utterances. The explicit compliments consisted of ten data, advice showed four data, explanation got three data, contrast had two data, and one data belonged to each strategy of implicit compliment, non-compliment, information question, and future reference. From the strategies, explicit compliments got the highest frequency as the judges tended to express compliments by giving direct compliments without being triggered by previous actions and leaving nothing lack of sureness. In the finale episode, compliments were frequently expressed by including the positive semantic carriers, namely “amazing”, “awesome”, “good”, “beautiful”, “like”, “love”, “elevated, “nailed”, “stop conversation”, and “great”. The frequency of giving compliments was caused by the good performance of the contestants in the Season 7 Finale. The use of compliant expressions helped the judges to express their appreciation in various ways.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,025
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,463
Score d'incertitude au seuil0,931

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,025
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0160,008
Communication savante0,0040,001
Science ouverte0,0020,004
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,035
Tête enseignante GPT0,310
Écart entre enseignants0,275 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueANAPHORA Journal of Language Literary and Cultural StudiesMême sujetEnglish Language Learning and TeachingTravaux en français237 207