MétaCan
Menu
Retour à la cohorte
Enregistrement W4400098545 · doi:10.5539/ijel.v14n4p59

“China’s Foreign Aid” and “China’s National Image” in the Eyes of Foreign Media: A Corpus-Based Discourse-Historical Analysis

2024· article· en· W4400098545 sur OpenAlexvenueno aff
Y. Yao, Yun Li

Notice bibliographique

RevueInternational Journal of English Linguistics · 2024
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueDiscourse Analysis in Language Studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésChinaArgumentation theoryPublic opinionForeign policyPolitical scienceSociologyLawLinguisticsPolitics

Résumé

récupéré en direct d'OpenAlex

China’s foreign aid implements the concept of a community with a shared future for mankind and promotes the common progress of China and developing countries. News about China’s foreign aid released by foreign media is quite significant for overseas audiences to perceive China’s image. This study adopts Ruth Wodak’s discourse-historical approach and corpus-based method to interpret foreign news reports on China’s foreign aid. The macro-level news themes, meso-level discourse strategies and national images, as well as micro-level discourse features are explained with examples. Research shows that news themes reveal the objects, fields and methods of China’s foreign aid. Foreign media widely adopt discourse strategies of nomination, predication, argumentation, perspectivation, intensification and mitigation to shape China as a friendly international donor. A few characteristics of news discourse indicate that several media misunderstand or smear China’s foreign aid, which has a negative impact on China’s international public opinion environment. Therefore, building an effective external voice platform to convey China’s international responsibilities and contributions is necessary, which helps establish a favorable international public opinion environment for China’s development and call on other countries to make efforts to reduce human poverty.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,020
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,921
Score d'incertitude au seuil0,988

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,020
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,019
Tête enseignante GPT0,300
Écart entre enseignants0,281 · 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 tête enseignante, pas un consensus.

Devis d'étudeThéorique ou conceptuel
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
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of English LinguisticsMême sujetDiscourse Analysis in Language StudiesTravaux en français237 207