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 fo 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 (fo) from prolonged vowel sounds (fo/a/) and fo from spontaneous speech (fo‐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. fo‐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 fo‐sp >160 Hz (P < .01). Sixteen of 42 patients reached an fo‐sp >160 Hz. Of these, the AI program only perceived nine patients as female (>50 %Prob♀). Conclusion Patients with fo‐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 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 | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».