Oral‐diadochokinetic rates among healthy Malaysian-Mandarin speakers: A cross linguistic comparison
Notice bibliographique
Résumé
Purpose This study examined the effects of non‐word versus real word, age, and gender on oral‐DDK rates among healthy Malaysian-Mandarin speakers. Comparison between non-word of Malaysian-Mandarin and Hebrew speakers was examined.Method One-hundred and seventeen speakers (18–83 years old, 46% men) were audio‐recorded while performing non-word (repetition of “pataka”) and real-word oral‐DDK tasks (“butter cake” and “怕他看 ([pha4tha1khan4])”). The number of syllables produced in 8 seconds was counted from the audio recording to derive the oral-DDK rates. A MANOVA was conducted to compare the rates between age groups (young = 18–40 years, n = 56; middle = 41–60 years, n = 39; older = 61–83 years, n = 22) and gender. In a second analysis, “pataka” results were compared between this study and previous findings with Hebrew speakersResult No gender effects were found. However, rates significantly decreased with age (p < 0.001). Repetition of real words was faster than that of non-words – English words (5.55 ± 1.19 syllables/s) > non‐words (5.29 ± 1.23) > Mandarin words (4.91 ± 1.13). Malaysian-Mandarin speakers performed slower than Hebrew speakers on “pataka” task.Conclusion Aging has a large impact on oromotor functions, indicating that speech-language pathologists should consider using age-adjusted norms.
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 | 0,000 | 0,001 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».