Cross-language identification of non-native lexical tone
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 native-language lexical-tone experience influences identification of novel tone. Native listeners of Cantonese, Thai, Mandarin, and Yoruba hear six CV syllables, each produced with the three phonemic Yoruba tones (High-level/H, Mid-level/M, Low-level/L), presented randomly three times. In a 3-AFC task, participants indicate a syllable’s tone by selecting from a set of arrows the one that illustrates its pitch trajectory. Accuracy scores (proportion correct) were submitted to a two-way rANOVA with L1-Group (x4) as the between-subjects factor and Tone (x3) as the within-subjects factor. There was no main effect of Tone or Group. The Tone-by-Group interaction was significant (p = 0.031) but driven by one group: Thai listeners identified H and M more accurately than L (both p < 0.05), though L accuracy was above chance (59%; chance = 33.33%). Tone-error patterns indicate that Thai listeners primarily confused L with M (two-way L1-Group x Response-pattern rANOVA p < 0.05). Overall, despite their different tonal-L1 backgrounds, listeners performed comparably. As predicted by the PAM, listeners attended to gradient phonetic detail and acoustic cues relevant to L1 phoneme distinctions (F0 height/direction) in order to classify non-native contrasts. [NSF grant #0965227.]
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 | 0,004 |
| 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 | 0,001 | 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) | 0,003 | 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 ».