An acoustic examination of English fricative production by Korean- and Farsi-English bilinguals: The role of language- and orthographic-specific effects
Notice bibliographique
Résumé
Recent work has shown that exposure to orthographic effects can promote first-language (L1) phonological transfer. However, it is relatively unknown whether orthographic effects persist in highly proficient bilinguals. Here, we examined how L1 orthographic depth (regularity in grapheme-phoneme correspondences) modulated Korean-English and Farsi-English bilinguals’ (n = 25 each) production of fricatives in English words (e.g., /ˈmeloʊ/ vs. /ˈmelən/). Native English speakers (n = 25) served as a control group. Because fricatives are produced as geminate sounds in both Korean and Farsi, we expected L1-based transfer. Participants completed four tasks: an eye-movement reading task, word-naming task, cloze test, and language background questionnaire. The stimuli were controlled for word frequency, word length, number of syllables, and stress. We expect language-specific differences, corroborating previous neuro-linguistic evidence that shallow and deep orthographies differentially rely more heavily on phonological and lexical pathways, depending on language-specific demands. To explore this aspect, we employed an acoustic classification method for fricatives extracting cepstral coefficients and using HMMs to divide the sounds in regions based on their internal variance, aimed at determining whether fricatives produced by different groups can be classified correctly. This work has implications for both second-language (L2) speech learning models and classroom instruction.
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 | 0,000 | 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 | 0,000 |
| 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) | 0,002 | 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 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 ».