MétaCan
Menu
Retour à la cohorte
Enregistrement W2937653323 · doi:10.1080/09588221.2019.1595664

Intelligent personal assistants: can they understand and be understood by accented L2 learners?

2019· article· en· W2937653323 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueComputer Assisted Language Learning · 2019
Typearticle
Langueen
DomainePsychology
ThématiqueSecond Language Acquisition and Learning
Établissements canadiensConcordia University
Organismes subventionnairesnon disponible
Mots-clésPronunciationIntelligibility (philosophy)PsychologyStress (linguistics)Variety (cybernetics)Set (abstract data type)Computer scienceLinguisticsArtificial intelligenceSpeech recognition

Résumé

récupéré en direct d'OpenAlex

Second/foreign language (L2) classrooms do not always provide opportunities for input and output practice [Lightbown, P. M. (2000). Classroom SLA research and second language teaching. Applied Linguistics, 21(4), 431–462]. The use of smart speakers such as Amazon Echo and its associated voice-controlled intelligent personal assistant (IPA) Alexa can help address this limitation because of its ability to extend the reach of the classroom, motivate practice, and encourage self-learning. Our previous study on the pedagogical use of Echo revealed that its use gave L2 learners ample opportunities for stress-free input exposure and output practice [Moussalli, S., & Cardoso, W. (2016). Are commercial ‘personal robots’ ready for language learning? Focus on second language speech. In S. Papadima-Sophocleous, L. Bradley, & S. Thouësny (Eds.), CALL communities and culture – short papers from EUROCALL 2016 (pp. 325–329). However, the results also suggested that beginner learners, depending on their levels of accentedness, experienced difficulties interacting with and being understood by Echo. Interestingly, this observation differs from findings involving human-to-human interactions, which suggest that a speaker’s foreign accent does not impede intelligibility. In this article, we report the results of a study that investigated Echo’s ability to recognize and process non-native accented speech at different levels of accentedness, based on the accuracy of its replies for a set of pre-established questions. Using a variety of analytical methods (i.e. judges’ ratings of learners’ pronunciation, learners’ ratings of Echo’s pronunciation, transcriptions of Echo’s interactions, surveys and interviews) and via a multidimensional analysis of the data collected, our results indicate that L2 learners have no problems understanding Echo and that it adapts well to their accented speech (Echo is comparable to humans in terms of comprehensibility and intelligibility). Our results also show that L2 learners use a variety of strategies to mitigate the communication breakdown they experienced with Echo.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,293
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0250,000

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.

Tête enseignante Opus0,022
Tête enseignante GPT0,289
Écart entre enseignants0,267 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle