Investigating Speech Tempo, Speaking Rate, and the Related Factors in the Iranian Elderly Women Talking with Tehrani and Semnani Accents
Notice bibliographique
Résumé
Background: Some variables, such as age, gender, regional and dialectical differences influence speech tempo. Men and younger individuals speak faster than women and the elderly. Therefore, these variations should be considered when assessing speaking rate. Objectives: Since different accents influence speaking rates and there is no previous study investigated speech tempo with respect to regional and accent differences in Iran, and given that the elderly are more prone to problems influencing speaking rate, the present study was done to compare speech tempo and speaking rate in two different accents, namely Tehrani and Semnani, and to investigate some related factors. Methods: This cross-sectional study was performed on 200 elderly women selected via convenience sampling method. Speech tempo, speaking rate, verbal fluency, and cognition scores were compared using an independent-samples t-test. Pearson’s correlation coefficient test was used to assess correlations between speaking rate and level of education, Montreal cognitive assessment (MoCA), and verbal fluency scores. Results: No significant difference was found in speech tempo between the studied accents (P = 0.13). Speaking rate was significantly slower in the Tehrani accent than the Semnani one (P = 0.04). The Tehrani elderly obtained significantly less scores in verbal fluency and MoCA ((P ≤ 0.001) and (P = 0.04), respectively. In both groups, speaking rate had a significant correlation with verbal fluency and MoCA scores but not with level of education. Conclusions: Although, our results showed no difference in speech tempo between the studied accents, the Tehrani elderly unexpectedly spoke more slowly meaning that they paused more while speaking. There was a relationship between faster speaking, better verbal fluency, and cognitive performance.
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 | 0,004 | 0,001 |
| 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 | 0,000 | 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 ».