Diverse environments and their impact on accentedness judgments
Notice bibliographique
Résumé
Research shows that listeners' perceived accentedness can be mediated by visual input (Babel & Russell, 2015; McGowan, 2015; Zheng & Samuel, 2017), and can change depending on their exposure to varied speech (Baese-Berk et al., 2013). Here, we tested the impact that visual input and linguistic diversity has on listeners' perceived accentedness judgments. Two experiments were conducted: one in Gainesville (USA) and one in Montreal (Canada). While these two locations were selected for their bilingual populations, Montreal has a more diverse linguistic landscape (Gullifer & Titone, 2019). Participants completed an accentedness judgment task where they were shown either a White or a South-Asian face while listening to sentences in American, British, and Indian English. They also completed a language background questionnaire, a social network questionnaire, and executive control tasks. In an ongoing study, results show that for Gainesville, participants' perceived accentedness of all three varieties increased when the visual input changed from a White face to a South-Asian face (F(2, 66) = 33.3, p < 0.001). The same effect was not observed for listeners in Montreal (F(2,23) = 0.664, p = 0.524). These preliminary findings suggest that exposure to both different accents and racial/ethnic categories on a regular basis could impact perceived accentedness judgements.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».