Generalization of Perceptual Learning of Degraded Speech Across Talkers
Notice bibliographique
Résumé
Purpose: We investigated whether perceptual learning of noise-vocoded (NV) speech is specific to a particular talker or accent. Method: Four groups of listeners (n = 18 per group) were first trained by listening to 20 NV sentences that had been recorded by a talker with either the same native accent as the listeners or a different regional accent. They then heard 20 novel NV sentences from either the native- or nonnative-accented talker (test), in a 2 × 2 (Training Talker per Accent × Test Talker per Accent) design. Results: Word-report scores at test for participants trained and tested with the same (native- or nonnative-accented) talker did not differ from those for participants trained with 1 talker per accent and tested on another. Conclusions: Learning of NV speech generalized completely between talkers. Two additional experiments confirmed this result. Thus, when listeners are trained to understand NV speech, they are not learning talker- or accent-specific features but instead are learning how to use the information available in the degraded signal. The results suggest that people with cochlear implants, who experience spectrally degraded speech, may not be too disadvantaged if they learn to understand speech through their implant by listening primarily to just 1 other talker, such as a spouse.
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 | 0,003 | 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».