Auditory Recognition of Words-in-Noise in Normal Hearing and Mild-to-Severe Sensorineural Hearing Loss with Different Configurations
Notice bibliographique
Résumé
Background and Aim: Sensorineural Hearing Loss (SNHL) reduces audibility and causes distortion, which result in difficulty with speech processing, especially in noisy environments. One of the new speech-in-noise tests is the Words-in-Noise (WIN) test. This study aimed to further investigate the Signal-to-Noise Ratio 50% (SNR-50) in subjects with mild to severe SNHL and different configurations using the Persian version of the WIN test compared to normal-hearing people. Methods: This cross-sectional study was conducted on 54 patients with SNHL aged 17– 75 years and 49 normal-hearing people aged 20–48 years. The auditory recognition in the presence of multi-talker babble noise was evaluated by the Persian version of the WIN test (named ARWIN). Results: The mean SNR-50 in the normal-hearing group was 2.56±1.2 dB, which increased significantly in subgroups with mild (10.13±4.8 dB), moderate (14.51±4.7 dB) and moderate-to-severe (16.61±4.3 dB) SNHL (p<0.001). Conclusion: People with SNHL need more SNR by nearly 4–6 times than the normal- hearing group for recognition of monosyllabic Persian words in the presence of multi-talker babble noise. Keywords: Sensorineural hearing loss; words-in-noise; auditory recognition; 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 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 | 0,002 |
| 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 | 0,000 |
| 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 ».