MétaCan
Menu
Retour à la cohorte
Enregistrement W1893726824 · doi:10.1002/tesq.234

Do Native Speakers of North American and Singapore English Differentially Perceive Comprehensibility in Second Language Speech?

2015· article· en· W1893726824 sur OpenAlexaboutno aff
Kazuya Saito, Natsuko Shintani

Notice bibliographique

RevueTESOL Quarterly · 2015
Typearticle
Langueen
DomainePsychology
ThématiquePhonetics and Phonology Research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésFluencyPsychologyPronunciationLinguisticsVocabularyGrammarFirst languageSecond languageLanguage proficiency

Résumé

récupéré en direct d'OpenAlex

The current study examined the extent to which native speakers of North American and Singapore English differentially perceive the comprehensibility (ease of understanding) of second language (L2) speech. Spontaneous speech samples elicited from 50 Japanese learners of English with various proficiency levels were first rated by 10 Canadian and 10 Singaporean raters for overall comprehensibility and then submitted to pronunciation, fluency, vocabulary, and grammar analyses. Whereas the raters’ comprehensibility judgements were generally influenced by phonological and temporal qualities as primary cues, and, to a lesser degree, lexical and grammatical qualities of L2 speech as secondary cues, their linguistic backgrounds did make some impact on their L2 speech assessment patterns. The Singaporean raters, who not only used various models of English but also spoke a few L2s on a daily basis in a multilingual environment, tended to assign more lenient comprehensibility scores due to their relatively high sensitivity to, in particular, lexicogrammatical information. On the other hand, the comprehensibility judgements of the Canadian raters, who used only North American English in a monolingual environment, were mainly determined by the phonological accuracy and fluency of the L2 speech.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,015

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,029
Tête enseignante GPT0,326
Écart entre enseignants0,297 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations49
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTESOL QuarterlyMême sujetPhonetics and Phonology ResearchTravaux en français237 207