Does swallowing bootstrap speech learning
Notice bibliographique
Résumé
Learning speech movements can be modeled as searching for sets of muscle activations in a high-dimensional space that satisfy task-specific criteria relevant to the language learner. An unstructured search of such a space is problematic: the high dimensionality makes non-heuristic search inefficient, and the number of redundant solutions for a given task makes predicting muscle activation difficult. Although most speech movements must be learned, humans can produce many of our most complex oral motor behaviors (swallowing, suckling, vocalizing, smiling, etc.) at birth. This indicates a degree to which the biomechanical and neural structures needed for complex action in the vocal tract appear to be built-in. A model is described, based on neurophysiological and computational motor research, in which action is governed by neuromuscular modules which can emerge and/or change ontogenetically through use. Simulations of tongue movements were conducted using a realistic 3D biomechanical model in ArtiSynth (www.artisynth.org; e.g., Stavness et al., 2012, Gick et al. 2014). Results of these simulations demonstrate that the neuromuscular activations leading to full oral swallowing closure are a subset of those that result in tongue bracing. This implies that submodules of the swallowing gesture can be recruited for use in tongue bracing, and makes a search of this space much simpler when the swallowing activation is used as a starting point. These findings are consistent with the view that phylogenetically encoded structures such as those needed for swallowing (e.g., MacNeilage 2008; Studdert-Kennedy & Goldstein 2003) bootstrap speech learning.
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 | 0,002 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,007 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,008 |
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 ».