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 machine sur la base complète
Imitation des enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».