A Comparison of an Artificial Intelligence Tool to Fundamental Frequency as an Outcome Measure in People Seeking a More Feminine Voice
Notice bibliographique
Résumé
Objectives/Hypothesis An artificial intelligence (AI) tool was developed using audio clips of cis‐male and cis‐female voices based on spectral analysis to assess %probability of a voice being perceived as female (%Prob♀). This program was validated with 92% accuracy in cisgender speakers. The aim of the study was to assess the relationship of f o on %Prob♀ by a validated AI tool in a cohort of trans females who underwent intervention to feminize their voice with behavioral modification and/or surgery. Study Design Cohort study. Methods Fundamental frequency ( f o ) from prolonged vowel sounds ( f o /a/) and f o from spontaneous speech ( f o ‐sp) were measured using the Kay Pentax Computerized Speech Lab (Montvale, NJ) in trans females postintervention. The same voice samples were analyzed by the AI tool for %Prob♀. Chi‐square analysis and regression models were performed accepting >50% Prob♀ as female voice. Results Forty‐two patients were available for analysis after intervention. f o ‐sp post‐treatment was positively correlated with %Prob♀ ( R = 0.645 [ P < .001]). Chi‐square analysis showed a significant association between AI %Prob♀ >50% for the speech samples and f o ‐sp >160 Hz ( P < .01). Sixteen of 42 patients reached an f o ‐sp >160 Hz. Of these, the AI program only perceived nine patients as female (>50 %Prob♀). Conclusion Patients with f o ‐sp >160 Hz after feminization treatments are not necessarily perceived as having a high probability of being female by a validated AI tool. AI may represent a useful outcome measurement tool for patients undergoing gender affirming voice care. Level of Evidence 3 Laryngoscope , 131:2567–2571, 2021
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 | 0,000 | 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 | 0,000 |
| 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 ».