A Systemic Functional Linguistic Analysis of Remote Real Estate Listings
Notice bibliographique
Résumé
In the aftermath of the COVID-19 pandemic, the rural population in Canada increased faster than in any other G7 country. The province of Newfoundland was a distinct outlier, seeing the most drastic decrease of all rural Canadian regions at 6.4%. This was no surprise to local residents. Since the 1992 Cod Moratorium, these populations have faced continued socioeconomic hardship and decline. While decades of outmigration from rural Newfoundland to urban centres have been studied, current research does not account for this post-pandemic phenomenon. From a linguistic viewpoint, the population decline in Newfoundland has been redirected from regional discourse to a perpetuation of tourism development. While tourist discourse represents one strategy for combating population decline, the linguistic implications upon real estate listings are not known. This project investigated the linguistic implications of increased global mobility and urbanism on real estate listings. Drawing upon the theoretical framework of systemic functional linguistics (SFL), we analyzed the interpersonal, experiential, and textual metafunctions of a 2022 real estate listing from the remote town of Harbour Breton, Newfoundland. This project not only demonstrated the analytical value of SFL, but systematically revealed persuasive linguistic choices made by an author to attract buyers to a declining rural region. Findings include the frequent use of declarative mood structures, a prevalence of relational attributive processes, and major topical themes relating to the home. These features demonstrate a deliberate saturation of favourable details and a foregrounding of the features of the home above other notable factors (e.g., location, proximity, etc.).
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,009 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 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 ».