Weak adaptation to foreign-accented voice-onset-time distribution
Notice bibliographique
Résumé
Listeners quickly adapt to foreign-accented speech in transcriptions and word/sentence judgments (Bradlow & Bent, 2008; Clarke & Garrett, 2004; Sidaras, Alexander, & Nygaard, 2009). However, continuous spoken-word recognition measures such as eye tracking have revealed limitations on foreign-accent adaptation. For example, Trude, Tremblay, and Brown-Schmidt (2013) found that English listeners’ adaptation to a second-order constraint in a Quebec French talker’s accent (/i/ = [ɪ] before coda consonants except voiced fricatives) was limited. This study investigates whether foreign-accent adaptation is less limited when the mapping between the accented and underlying words does not require higher-level inferencing. English listeners completed an eye-tracking experiment in which they heard a (female) French talker and a (male) English talker. Target and competitor words began with a voiced or voiceless stop and were otherwise temporarily ambiguous (e.g., timberand dimple). All stops were resynthesized: The French talker’s stops were prevoiced (voiced) and short-lag (voiceless) and the English talker’s stops were short-lag (voiced) and long-lag (voiceless). Preliminary results suggest an effect of voicing only for the French talker, with voiceless-stop targets generating more competition than voiced-stop targets. Importantly, this effect decreased only slightly from the first to the second half of the experiment, suggesting weak foreign-accent adaptation.
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 | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».