Effects of auditory, visual, and audio-visual training on nonnative perception of English fricatives
Notice bibliographique
Résumé
This study examines the effects of auditory (A), visual (V), and audio-visual (AV) training on nonnative speech perception. Mandarin Chinese natives were trained to perceive English voiceless fricatives (in monosyllabic words and nonwords) of three visually distinct places of articulation: interdentals nonexistent in Mandarin, labiodentals and alveolars common in both languages. Participants were randomly assigned to a control group or one of three 2-week (six sessions, 40 minutes/session) training groups with a different input modality: A, V, or AV. In pre- and post-tests, the fricatives are presented in four ways for an identification task: A-only, V-only, AV congruent (AVc), and AV incongruent (AVi). Additionally, three generalization posttests are administered testing voiced fricatives, new real words, and a new speaker. Results show that post-training, the trainees reveal: (1) improvements corresponding to training type (e.g., the V-training group improves most for the V-only stimuli), (2) greater improvements for the familiar (but less visually distinct) alveolars than for the new interdentals, (3) decreased AV-fusion for the AVi stimuli, and (4) consistent patterns in the generalization tests. Results are discussed in terms of the effects of speech input modality, experience, and L1 on L2 AV speech learning. [Research supported by SSHRC]
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 | 0,000 | 0,001 |
| 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) | 0,002 | 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 ».