Towards convergence of methods for speech and sign segmentation
Notice bibliographique
Résumé
Signed languages, like spoken languages, combine sequences of arbitrary, finite, distinctive units in a continuous stream of movement (Stokoe 1960). Also like speech, determining where a particular sign begins and where it ends in a signing stream is not an easy task. Some researchers have established as the beginning of a sign the moment the hand is placed at the location where a certain sign is going to be initially or entirely produced and as its end the moment when the hand starts moving back to the rest position or to the location of the following sign (Crasborn & Zwitserlood 2008, Johnston 2009, Johnson & Liddell 2011). By doing so, these researchers leave transitional movements out of the limits of a sign. An alternative view claims that transitions should be partially or entirely regarded as part of a sign. Supporters base this view on the observations that (1) some articulatory features of a sign are visible even before or still after a sign is produced and (2) perceivers are able to guess signs solely drawing on information conveyed during transitions (Kita et al 2006, Bressem 2011, Jantunen 2010, 2013, 2015). The present study uses video data of Brazilian Sign Language (Libras; Xavier 2014) to critically evaluate the criteria traditionally used to delimit lexical items in the sign stream. Results indicate that methods used by speech researchers to delimit units in the speech stream are likely to be a good fit for delimiting units in the sign stream as well. Implications for speech and signed motor control will be discussed.
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 ».