Evaluating the LENA recording system for investigating speech input in a French-English bilingual context
Notice bibliographique
Résumé
The Language ENvironment Analysis (LENA) recording system is rapidly gaining acceptance as a useful tool for assessing a child’s speech input. The success of this tool is due to LENA algorithms which provide automated measures of the child’s auditory environment, including the amount of words. The adult word count (AWC) measure has been validated in several monolingual language contexts, including English, French, Dutch, and Mandarin. Here, we evaluate LENA performance in counting words when two languages are present within the child’s input stream. Twenty French-English bilingual families with a 10-month-old infant contributed full-day recordings. Nine 5-minute segments from each family was transcribed, for a total of 900 minutes of transcribed speech. We assessed the accuracy of LENA-generated AWC for French-English bilingual speech by comparing them to human-transcribed word counts. Linear mixed modelling reveals a positive linear relationship between these two measures. Critically, the correlations between these two measures were strong for both French and English, and these correlations were not significantly different from one another. These results confirm that the LENA algorithms are sufficiently accurate in counting words in two languages, and provide support for researchers and clinicians wishing to use the LENA recording system to assess bilingual speech.
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 | 0,004 | 0,003 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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 ».