Do low intelligibility voices induce false memories?
Notice bibliographique
Résumé
Spoken language is highly variable with phonetic variation that is attributable to multiple dimensions, including, but not limited to, differences in dialect, mood, native language, sociolinguistic dimensions, and talker-specific idiosyncrasies. Phonetic variation has documented effects on other aspects of linguistic processing. For example, Sumner and Kataoka found that phonetic variation affected semantic processing in semantic priming and false memory tasks, to which they concluding that socially dispreferred (i.e., voices or accents that are socially stigmatized or less desirable) phonetic variation received less attention in encoding, leading to a lack of priming and higher false memory rates [Sumner & Kataoka, 2013, JASA-EL, 134(6)]. In this study we compare the intelligibility and propensity to induce false memories in a between-subjects design. Intelligibility is assessed as response latency in a speeded shadowing task, and false memories are measured using standardized false memory lists where reporting of critical lure items not in the auditorily presented list are counted as false memories. The speaker set consists of five speakers of English, representing two local accents, two nonnative accents, and one native nonlocal accent. The results of this study contribute to our understanding of how phonetic variation affects word recognition and semantic processing.
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 | 0,001 | 0,001 |
| 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 | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».