Sarcasm detection in native English and English as a second language speakers.
Notice bibliographique
Résumé
Sarcastic speech is ubiquitous in most languages, though understanding sarcasm is highly dependent upon cultural and social contextual factors (Campbell & Katz, Discourse Processes, 2012, 49, 459). It is therefore surprising that little research has examined the ability of nonnative speakers to understand the sarcastic cues of a second language. In the current study, native English speakers and English as a second language (ESL) speakers were tested in each of four different conditions. Three of the conditions presented isolated cues involved in the detection of sarcasm (prosody, written context, and facial expression) and asked participants to identify the emotional intent of the cue (sarcasm or sincerity). The fourth condition combined spoken context, prosody, and facial expressions into each trial and asked the participant to identify sarcasm or sincerity. Participants also indicated their experience with sarcasm through the completion of three questionnaires: Sarcasm Self-Report Scale (Ivanko et al., Journal of Language and Social Psychology, 2004, 23, 244), the Conversational Indirectness Scale (Holtgraves, Journal of Personality and Social Psychology, 1997, 73, 624), and an Exposure to Sarcasm Scale. Results indicated that there were no differences in the ability of the ESL group to understand sarcasm based on facial expression; however, they were less accurate in identifying the sarcastic written context or prosody than the native English speakers. Taken together with the correlations on the questionnaires, findings suggest that experience plays a key role in the ability of ESL speakers to identify sarcastic cues. (PsycInfo Database Record (c) 2021 APA, all rights reserved).
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».