Notice bibliographique
Résumé
We extend to lexical-tone systems a model of second-language perception, the Perceptual Assimilation Model (PAM) (Best & Tyler, 2007), to examine whether/how native-language lexical-tone inventory composition influences perception of novel tone. Native listeners of Cantonese, Thai, and Mandarin perform a tone mapping-rating assimilation task. Listeners hear CV syllables bearing all tones of Cantonese, Thai, Mandarin, and Yoruba - languages with different tone inventories. They (1) map the tone they hear to the nearest native tone category, and (2) provide a goodness rating on a 5-point scale (5 = perfect). As predicted by the PAM, listeners assimilated non-native tones to the phonetically-closest native tone categories. Listeners attended primarily to pitch-contour, and secondarily to pitch-height, contrasts for the mappings. E.g., Mandarin listeners assimilated the Thai high “level” (phonetically mid-to-high-rising) tone to Mandarin rising tone 76% of the time, and to Mandarin high-level tone only 22% of the time. Also as predicted, all novel tones did not assimilate equally well to native categories; mappings received ratings between 2.9-4.1, averaging 3.5. The groups’ different patterns of results indicate that novel-tone perception is influenced by experience with the native-language tone inventory, and that listeners attend to gradient phonetic detail to assimilate novel tones to native-tone categories. This work is supported by NSF grant 0965227 to J.A.
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 | 0,000 | 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 | 0,000 |
| 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 ».