Perception in context: How racialized identities impact speech perception
Notice bibliographique
Résumé
When available, listeners use visual cues in speech perception [Zheng and Samuel (2017)]. However, it is not clear whether racialized identities impact listeners’ judgments, and if so, to what extent everyday experiences contribute to this. American, British, and Indian English varieties were paired with white and South Asian faces to test whether listeners’ intelligibility and accentedness judgments vary as a function of the faces that they saw and the varieties that they were listening to. A prior norming study was used to assess that sentences in all varieties had similar intelligibility. Listeners in a low-diverse environment (i.e., Gainesville, USA) versus a high-diverse environment (i.e., Montreal, Canada) were recruited. Racial diversity in listeners’ social network and their language diversity [i.e., language entropy, Gullifer and Titone (2020)] were measured. Results showed that listeners’ ability to transcribe sentences (i.e., intelligibility) decreased and their accentedness judgments increased for all English varieties when speech was paired with South Asian faces. Furthermore, these effects were modulated by participants’ social network diversity and their geographic context [Kutlu et al. (2021); (2022)]. We discuss the holistic impacts of the racialization of different language varieties and the role of multilingual and diverse context effects on speech perception.
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 | 0,002 | 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 | 0,001 | 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) | 0,002 | 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 ».