Investigating Methodological Trends of Hedging Strategies in Academic Discourse: A Systematic Literature Review
Notice bibliographique
Résumé
This systematic literature review investigated the methodological trends regarding hedging strategies in academic discourse from 2014 to 2023. A total of 40 peer-reviewed empirical studies were analyzed, focusing on aspects such as publication year, regional participation, sample size, genre type, research design, category, discipline, section, and analytical framework. The review revealed a fluctuating interest in hedging strategies, peaking in 2023, with significant contributions from Asia and Europe. Research articles dominated the genre types, reflecting a preference for standardized and accessible formats. Mixed methods were the most common research design, followed by quantitative and qualitative approaches. Mono-disciplinary studies were prevalent, highlighting detailed analyses within specific fields, whereas cross-disciplinary, cross-cultural, cross-linguistic and cross-generic studies emphasized comparative approaches. The research spanned both hard and soft sciences, with applied linguistics and chemistry being notably represented. Comprehensive examinations of all sections of academic texts, particularly the discussion section, were frequent. Established frameworks, primarily those by Hyland (1998) and Salager-Meyer (1994), were commonly utilized, underscoring their influence. This review highlighted the need for more cross-disciplinary and cross-generic analyses and the development of comprehensive frameworks to enrich the understanding of hedging strategies in academic writing. Future research should expand cross-disciplinary, cross-cultural, and regional analyses, develop new frameworks, explore emerging genres, integrate technology, diversify methodologies, and address geographical disparities to broaden the global understanding of hedging in academic discourse.
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 | 0,006 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 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 ».