Lexical effects in the production of emotional speech
Notice bibliographique
Résumé
Emotion in speech production has been shown to correlate well with fundamental frequency (F0), intensity, and duration [B. Zupan etal., J.Commun. Disord., 42, 1–17 (2009)]. Studies in non-emotional speech have shown effects of lexical predictors on speech production (e.g., neighborhood density [B. Munson and N. P. Solomon. J. Speech, Lang. Hear. Res., 47, 1048–1058 (2004)], and lexical frequency [R. H. Baayen etal., in Proceedings of the Annual Meeting of the Chicago Linguistic Society (2007), Vol. 43, pp. 1–29]. In the present study, we investigate the effects of lexical predictors in the production of emotional speech. Two professional male actors recorded 260 isolated words. Three emotional states were analyzed: neutral, anger, and joy. Measures of word frequency, morphological family size, number of synonyms and homophones, and ratings for danger and usefulness [L. Wurm, Psychon. Bull. Rev., 14, 1218–1225 (2007)] were used as statistical predictors in modeling, using linear mixed-effects regression. Following previous literature, both speakers use F0, intensity, and duration to portray emotion. Lexical predictors such as word frequency, morphological family size, and danger ratings were found to significantly predict mean F0, mean intensity, and word duration across emotional types for both speakers.
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 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».