Coherence Relations and Niche Establishment in Applied Linguistics PhD Thesis Introductions
Notice bibliographique
Résumé
This study explores how PhD students of applied linguistics relate sentences to be coherent in the process of realizing a communicative move of the PhD thesis introduction genre called Move 2 or “establishing a niche” (Swales, 1990). The analyzed data includes 300 excerpts extracted from 300 thesis introductions, each consisting of sentences used by the thesis writer to establish their research niche. The “Create A Research Space” model (Swales, 1990) was used to identify sentences used to establish a niche, and rhetorical structure theory (Mann & Thompson, 1988) was used to analyze how these sentences are related to each other in this process. The study sought to identify the types of coherence relations utilized to realize Move 2 and the frequency with which they occur. The findings revealed that the use of coherence relations varied across the different rhetorical steps. In Step 1B (Indicating a gap), Elaboration was the most common, followed by Contrast and Concession. For Step 1C (Question-raising), Elaboration was again the most common, followed by the List relation. In Step 1D (Continuing a tradition), Contrast, Elaboration and Motivation were frequently used. These findings may have implications for teaching academic writing to PhD students and for the ways novice researchers use to situate their work within the existing literature.
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 | 0,058 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».