Hedging and Boosting Sensitivity in EFL Students’ Timed-Handwriting
Notice bibliographique
Résumé
Effective use of hedging and boosting is a key aspect of academic writing, enabling writers to express their stance, manage interpersonal meaning, and align with academic discourse norms. Although these rhetorical strategies are well documented in L2 academic and research writing, their application in timed handwritten compositions, particularly among EFL learners in Southeast Asia, remains underexplored. This study fills that gap by examining how EFL university students from Indonesia, Thailand, and the Philippines use hedges and boosters in handwritten essays produced under time constraints. Adopting a mixed-methods approach, the study analyzed 60 compositions using descriptive quantitative analysis to identify frequency patterns and qualitative content analysis to interpret contextual usage. The findings reveal that students display a functional awareness of modality, with hedging mainly realized through adjectives like about and modal verbs like maybe, reflecting caution and generalization avoidance. Boosting was heavily dominated by the adverb always, with less frequent use of definitely and indeed to emphasize certainty and conviction. Although students showed sensitivity in applying these strategies, the overuse of familiar forms and limited structural variety suggests surface-level adaptation rather than advanced rhetorical control—an effect attributed to the cognitive demands of timed writing. The study concludes that explicit instruction in hedging and boosting is crucial for fostering rhetorical awareness, especially in high-stakes or time-limited tasks. It recommends further research into cultural influences, proficiency development, and genre-specific modality use to better support EFL learners’ academic writing competence.
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 | 0,002 |
| 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 | 0,001 | 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 ».