The value of interactional metadiscourse in university level writing: Differences between high and low performing undergraduate business students
Notice bibliographique
Résumé
This study investigates the use of interactional metadiscourse within a third-year Human Resources course at a large North American university. Analysing final individual writing assignments, higher-performing (grades 80 and above) and lower-performing (grades 74 and below) students were compared in terms of how they differ in their use of interactional metadiscourse. The Authorial Voice Analyzer (Yoon, 2017) was employed to extract interactional metadiscourse features, including hedges, boosters, attitude markers, self-mentions, and engagement markers. Intergroup differences were then assessed using Cohen's d . Key findings include higher-performing students employing a greater variety of hedge types and using self-mentions more frequently, while lower-performing students relied more heavily on reader engagement markers, particularly by way of reader pronouns. These results suggest that higher-graded students in business courses may be more adept at managing interactional metadiscourse to present an appropriate authorial stance, while lower-graded students tend to over-engage with the reader. Pedagogical implications include the need for writing instructors to focus on teaching students how to strategically employ hedges and self-mentions to improve the quality and authority of their writing in business-related disciplines. These insights can help shape targeted writing interventions aimed at improving student performance in content-focused courses, such as Human Resources. • This study explored metadiscourse in a university level Human Resources course. • Individual writing assignments were grouped into higher- and lower-graded papers. • Higher graded papers used a greater variety of hedge types. • Lower graded papers used more reader engagement markers.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».