Voices in noise or noisy voices: Effects on task performance and appreciation
Notice bibliographique
Résumé
Learning from orally presented information often requires distinguishing target signals from noise. Effects of background noise on information processing has been extensively studied, and it is clear that similarity between target and noise makes separation more difficult. Therefore, the question is what happens when noise is actually part of the target signal, which is the case for dysphonic voices. Dysphonia is defined as a speech disorder `characterized by the abnormal production and/or absences of vocal quality, pitch, loudness, resonance, and/or duration, which is inappropriate for an individual's age and/or sex.' (ASHA). In this study, information processing is investigated in two noise conditions that are thought to be very challenging: multitalker babble and dysphonic voices. The aim is to compare the effect of a noise source that is very similar to the target signal (speech) but clearly external, with the effect of noise sources that are inherently part of the signal (dysphonia). In addition, the combined effect, i.e. a dysphonic voice in multitalker babble, is studied as well. For information processing, task performance and subjective perception of difficulty are evaluated. Subjective perception varies most clearly with the different noise conditions. Reported difficulty increases significantly for multitalker babble and dysphonia separately, both compared to a healthy voice in quiet conditions. Remarkably, within multitalker babble no differences in rating between dysphonic voices and the healthy voice are seen; dysphonic voices are no longer rated more difficult than a healthy voice when this healthy voice is also presented within babble noise.
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 | 0,016 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».