Dialect perception in song versus speech
Notice bibliographique
Résumé
Investigations into style-shift in singing led to the proposal of genre-specific musical sociolects [Coupland, 2011, J. of Soc. 15]. Gibson [2019, Univ. of Canterbury Dissertation] demonstrated that style-shift in popular music is automatic. Additionally, Mageau et al. [2019, Phonetica 76] found non-native English speakers have a less perceptible foreign accent while singing than speaking. These findings provide possible behavioral analogues to the differential processing of speech and song. Gibson [2019, UofCanterbury Dissertation] accounts for this using Todd et al’s [2019, Cognition 185] exemplar theory, emphasizing the role of sung and spoken contexts in perception. We investigate the role of musical context in accent identification. 24 participants completed a dialect-identification task of 32 musical clips from two genres with strong sociocultural associations: country and reggae. 16 clips contained the original instrumental-removed vocals, and 16 different clips from the same songs additionally underwent monotonization and rhythm-normalization. Responses to the manipulated stimuli were more varied than the original vocals. Listeners’ judgements may be more closely tied to country and reggae’s sociocultural associations than speech information itself. These findings counter Mageau et al., illuminating a more complex relationship between accent perception, music, and genre. Future work will investigate this for dialect-nonspecific genres and adjust approaches to stimuli manipulation.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».