Notice bibliographique
Résumé
This paper tries to explore the different argumentation strategies in courtroom discourse. The paper aims to decode the various argumentative strategies that are employed to communicate a successful interaction between the interlocutors in courtrooms. This is done by highlighting the linguistic tools targeting the persuasion of the conversationalists in the legal discourse presented in courts. The paper will focus on five strategies of argumentation, including lexical choices, questioning and answering, oppositional arguments, rhetorical questions, and premeditated arguments. The core concern of the investigation of these argumentation strategies is to show the degree to which they are used by courtroom interlocutors to communicate a successful and persuasive argument to their recipients. Data used in this study are derived from two legal trials: Nelson Mandela’s trial and Bill Clinton’s trial. The research questions of this paper are: first, what is meant by argumentation in courtroom discourse? Second, what are the different argumentation strategies used in courtroom discourse? Third, to what extent are argumentation strategies employed to achieve a persuasive argument between interlocutors in courtrooms? There are three main findings in this paper: First, attorneys and litigants use various argumentation strategies to influence their recipients so as to be able to persuade the court of their arguments. Second, the power of persuasiveness is entirely based on the ability to use various strategies of argumentation. Third, language is a crucial element in the understanding of legal arguments in courtrooms.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,003 | 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 ».