It’s time to collaborate: What human linguists can learn from machine linguists
Notice bibliographique
Résumé
For decades, one of the primary goals of machine learning has been to emulate human performance by learning from human behavioural data. However, machine learning has now matured to a point where humans are learning from machines—for example, consider playstyles of Go (Silver, D., et al., "Mastering the game of go without human knowledge," Nature 550.7676(2017):354). Drawing on this idea, this project considers what speech scientists might be able to learn from considering how machines analyze the speech signal. One goal in phonetics is to break down the speech signal into units such as phonemes, syllables, and tones. Machines are also able to break down the speech signal in either a supervised or unsupervised manner. In supervised learning, the machine is trained to classify phonemes, tones, etc., using previously known labels. In unsupervised learning, the machine learns a lower-dimensional, latent representation of the speech signal and then identifies meaningful clusters in the latent space. This project takes an unsupervised approach to lexical tone identification in Mandarin. Specifically, an adversarial autoencoder and density-based clustering are used to identify the tones of Mandarin. Results contrast Mandarin lexical tones as determined by linguists and by machine 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 | 0,024 | 0,074 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,012 | 0,053 |
| Communication savante | 0,019 | 0,060 |
| Science ouverte | 0,003 | 0,015 |
| Intégrité de la recherche | 0,009 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,005 |
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 ».