The Theme Progression Patterns in Popular Science Book Writing: A Systemic Functional Linguistics Approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Despite the proliferation of digital mediums such as documentary series, video essays, and science podcasts, popular science books are still the primary medium for promoting science to the public as an epistemic way to understanding and being aware of our natural world. That said, in the domain of systemic functional linguistics, there exists a dearth of studies investigating popular science books. Hence, this study aims to investigate the organization of popular science discourse from the perspective of Theme Progression. A 93,078-word corpus was collected and divided into two main science categories: hard and soft—three disciplines under each main category and six texts under each discipline. The analysis of the corpus followed a mixed-method design where a Theme-counting excel sheet, created by the researcher, was used to calculate the most occurring Theme patterns. The results of the analysis indicate that the hard science disciplines give a logical presentation of the scientific text that intends to unpack and explain the intricacy behind the scientific notion whereas the soft science disciplines focus on expository narrative to connect and relate the scientific text to the target reader. Given these writing behaviors between the two science categories, it is recommended that future SFL studies explore the potentially arising differences within the broader aspect of the popular science genre, for instance, to juxtapose books from articles in the way discoursal features (e.g., coherence and cohesion) are structured in the text.
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.
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 | 0,002 | 0,045 |
| 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 | 0,000 |
| Science ouverte | 0,001 | 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 découle