Notice bibliographique
Résumé
Is it more difficult to detect an accent when someone is singing than when they are speaking?Previous work on accents in song has focused on professional singers, who modify their accents when they perform music that is associated with a particular regional accent (Trudgill, 1983, Simpson, 1999, O'Hanlon, 2006, Gibson, 2010).We ask whether there is something about singing per se that causes a shift in accent.In order to answer this question, our study differs from previous work in two important ways: 1) We do not make use of professional singers in our study, and 2) the music in our study is not culturally associated with a particular country.We recorded twelve speakers: six native speakers of English, and six second-language speakers.They were asked to sing "Twinkle Twinkle Little Star" and read a passage from "Goldilocks".Forty native English listeners had more difficulty detecting a foreign accent in the singing conditions and rated speakers as having less of a foreign accent in song compared to speech.These results suggest that it is more difficult to detect a foreign accent in song compared to speech even when the singers are not influenced by an accent associated with a particular genre.An analysis of the recordings showed that vowel duration is generally longer in song and that the pitch track changes in song.However, there is no clear and consistent difference in how vowels are pronounced.Based on these findings, we argue that accents are more difficult to detect in song than in speech because the rhythm and pitch of song mask important prosodic markers of accent.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».