Speech Perception and The Role of Semantic Richness in Processing
Notice bibliographique
Résumé
The richness of meaning associated with specific words has been found to influence word recognition. Such findings, however, have come largely from studies based on visual word recognition, and related studies focusing on the acoustic signal and speech perception are less common. The present work recognizes that any effects observed may vary across modalities, and explores semantic richness effects as they may pertain to the perception and processing of spoken language. Goh et al. (2016) describe an auditory lexical decision experiment where concreteness, valence, arousal, semantic neighborhood density, and semantic diversity are found to affect spoken word recognition. The stimuli used in their study were limited to a set of fewer than 500 words, most of which were concrete nouns. In our study, we expand the scope of the analysis to include 9,086 words taken from the Massive Auditory Lexical Decision database (MALD; Tucker et al., 2019), each with corresponding values for each of the semantic variables of interest. In complement to the results described by Goh and colleagues, generalized additive mixed modelling indicates significant effects of concreteness, valence, arousal, and semantic neighborhood density on response latency. No effect was observed for semantic diversity. These results suggest that the processing of acoustic signals is influenced by top down semantic effects, even in decontextualized environments. While the specifics of these effects differ by semantic variable, it appears that increased semantic richness facilitates spoken word recognition.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».