Perception modeling of native and foreign-accented Japanese speech based on prosodic features of pitch accent
Notice bibliographique
Résumé
This study investigates the influence acoustic measures of pitch accent have on L1 and Australian English (AusE) L2 Japanese speech perception, expanding Tsurutani (2010) and Ishihara, Tsurutani, and Tsukada (2011), and motivated by Munro and Derwing (2001), which studies the role of speaking rate on judgments of L2 speech. We establish native and advanced AusE listeners of Japanese differ in their judgments of foreign accent in terms of accentedness and comprehensibility [Munro and Derwing (1995, 1999)] through a listening task. Selected acoustic measures of pitch accent from the speech stimuli, which displayed significant variance across listener groups—delta-pitch, max and mean max delta-intensity, and duration per mora—are correlated with L1 and L2 listener data. Testing for a relationship between each of the acoustic measures and listener judgments, the regression analyses show a considerable relationship between comprehensibility judgments and duration and intensity features, ranging from adjusted R2 = 14.3% to 24.6% across listeners, and indicating the degree of variance between judgments can be attributed to these acoustic measures. We can interpret that comprehensibility is linked to intensity and duration, which supports the authors’ prior findings that timing is considered more important than pitch in the detection of foreign-accented speech.
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 | 0,001 |
| 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».