The Study of EDA in China during 2013–2024: Current Status, Development, and Prospects
Notice bibliographique
Résumé
Ecological discourse analysis (EDA), an interdisciplinary field within the ecological framework, aims to uncover the role of language in shaping ecosystems. It explores the construction of the human—ecosystem relationship through language and examines the emergence and propagation of speciesism and anthropocentrism. This study comprehensively reviews and deeply analyzes China’s EDA research from 2013 to 2024. Relying mainly on the CNKI database and using the CiteSpace analysis method, it examines multiple aspects, including research trends, corpus types, research perspectives, and authors’ contributions. China’s EDA research has shown a steady growth trend. Scholars have applied it in various fields such as literature, tourism, and news media, using diverse corpora like translations of classical Chinese poetry, English poems, and news reports. Research approaches like harmonious discourse analysis and Systemic Functional Linguistics (SFL) have been widely employed. Nevertheless, several challenges remain. There is a shortage of quantitative research, insufficient exploration of discourse dissemination among social groups, and a delay in emerging media—related studies. For future research, it is essential to prioritize quantitative methods, focus on social—group differences, keep up with emerging media trends, strengthen interdisciplinary cooperation, integrate global and local perspectives, and monitor the dynamic changes in ecological discourse. This not only enhances China’s academic influence in this field but also promotes ecological protection by raising public awareness of the complex language—ecosystem relationship. Moreover, it can facilitate cultural exchange and understanding by comparing and integrating ecological discourses globally, enriching cultural diversity. In education, such research can offer valuable insights for curriculum design, helping students better understand ecological issues and fostering environmental responsibility from a linguistic perspective.
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 | 0,001 |
| 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 ».