Common-sense beliefs, recognition and the identification of familiar and unfamiliar speakers from verbal and non-linguistic vocalizations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Listeners first listened to tape-recorded speech samples of words and non-linguistic vocalizations to decide whether each came from a familiar or an unfamiliar speaker. If a vocalization was judged as being uttered by a familiar speaker, listeners were asked to identify, if possible, the individual by name. Listeners were instructed not to guess. Confidence-accuracy scores in judgements and identification also were assessed. A separate group of participants attempted to predict the accuracy of performance of the listeners for each of the utterances made by the familiar and unfamiliar speakers. Tokens of some utterances, namely the words hello and help me and the sounds of laughter and clearing the throat, allowed equally good performance on the familiar/unfamiliar decision whether their source was a familiar or an unfamiliar speaker. For other vocalizations (moan, cough, grunt and sigh) listeners were better at detecting unfamiliar speakers than at recognizing familiar speakers. Those utterances judged to be made by familiar speakers led to correct identifications approximately 50 percent of the time on hearing the words hello and help me, and laughter. All other utterances led to less than 30 percent correct speaker identifications. For those unfamiliar speakers who were falsely recognized as familiar, listeners falsely identified by name between 22 and 30 percent of the vocalizations. Few of the confidence-accuracy relationships were significant. Laypersons’ common-sense beliefs for speaker identification were generally unrealistic.
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.
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 | 0,001 | 0,000 |
| 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 | 0,000 | 0,001 |
| 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 découle