Bilingual talker identification with spontaneous speech in Cantonese and English: The role of language-specific knowledge
Notice bibliographique
Résumé
Previous research has shown that implicit or explicit knowledge about a language lends itself to improved talker recognition performance. In the context of this language familiarity effect, it is apparent that bilinguals are better at generalizing voice learning across their known languages compared to monolingual listeners [Orena et al., JASA, 146 (2019)]. Other work suggests that training in an unknown language generalizes to a known language more robustly than the reverse [Winters et al., JASA 123 (2008)]. The current study launches from these previous studies. This project uses excerpted Cantonese and English snippets from spontaneous interview speech from Cantonese-English bilinguals in a talker identification training experiment with Cantonese-English bilingual listeners and bilingual listeners with no knowledge of Cantonese (or related languages). Listeners are assigned to either Cantonese or English training, and then all listeners are tested on both Cantonese and English utterances to assess learning for the trained language and generalization to the bilingual's second language. Results of a multilingual questionnaire quantify listeners' code-switching abilities and multilingual competence, which, given prior research, should account for some individual differences. Using spontaneous productions, as opposed to read speech, improves the ecological validity of this research and broadens its implications.
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 distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».