Rhythm metrics of spontaneous speech and accent
Notice bibliographique
Résumé
The present study reports preliminary results of an experimental evaluation of the stability of rhythm metric scores across different speech genres (i.e., read sentences vs. spontaneous speech) in English and Japanese. Data for native English (L1 English) speakers and from one L2 English speaker (L1 Japanese) was extracted from the Wildcat Corpus (Van Engen et al., 2010). L2 English and L1 Japanese data was extracted from unpublished data generated in an active project investigating spontaneous speech across dialects and accents (Warner et al., 2015). Three metrics (i.e., %V, VarcoV, and nPVI_V) were employed to quantify durational characteristics of the total 48 spontaneous utterances (L1 English: 3 speakers x 3 utterances, L1 Japanese: 3 speakers x 3 utterances, L2 English: 6 speakers x 5 utterances). The rhythm metric scores from the spontaneous corpora were compared to the results in Grenon and White (2008) who examined English and Japanese speech rhythm with 90 read sentences. We predict that measures of rhythm will differentiate between read and spontaneous speech, with spontaneous speech falling on the faster side of each metric. While Grennon and White (2008) had difficulty distinguishing between L1 Japanese and L2 English speech, we predict that using more natural speech will allow for better discrimination of these two speech groups. As predicted, the spontaneous speech had a slightly lower %V scores and a slightly higher VarcoV scores as compared to the read speech of Grenon and White (2008). However, we found that the speech rate of the spontaneous speech was slower than the read speech. The results suggest that metric scores pattern in a similar way across of speech genres, but that the spontaneous speech better distinguishes the L1 Japanese from the L2 English.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| 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) | 0,000 | 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 tête enseignante, 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 ».