Do Nurses Use Discourse Markers Differently when Using Their Second Language as Opposed to Their First while Interviewing Patients?
Bibliographic record
Abstract
Les auteurs se demandent si l’utilisation de marqueurs discursifs change, dans les interactions des infirmières avec les patients, en fonction de l’usage qu’elles font de leur langue maternelle (L1) ou de leur langue seconde (L2). Les marqueurs sont analysés à titre de marqueurs de maintien du tour de parole, indiquant la « prise en compte » et de marqueurs de transition dans le discours, indiquant un changement de sujet ou de locuteur dans la conversation. Ces deux catégories de marqueurs diffèrent sur le plan du degré de gestion du discours et du contrôle interactionnel. Seize infirmières mènent auprès d’un patient de L1 anglaise et d’un patient de L1 française un entretien visant l’évaluation de la douleur, entretien dans lequel les infirmières utilisent leur propre L1 dans un cas et leur propre L2, moins bien maîtrisée, dans l’autre. Les résultats de l’étude ne permettent pas de confirmer la première hypothèse, selon laquelle les infirmières devraient normalement utiliser les marqueurs discursifs plus fréquemment en L1 qu’en L2. Ils confirment toutefois la seconde hypothèse, selon laquelle les infirmières devraient utiliser les marqueurs de changement de sujet moins fréquemment en L2 qu’en L1, comparativement à leur usage (de base) des marqueurs de maintien du tour de parole. Les constatations des auteurs, en particulier l’attestation de la seconde hypothèse, pourraient avoir des répercussions sur le développement de la formation en L2 des professionnels de la santé.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.014 | 0.088 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".