Assessing Google Translate ASR for feedback on L2 pronunciation errors in unpredictable sentence contexts
Notice bibliographique
Résumé
Following previous research into predictable sentence contexts, this study assesses the pronunciation feedback provided by Google Translate’s (GT) Automatic Speech Recognition (ASR) in unpredictable contexts. We examined the accuracy of GT transcriptions for target items recorded by male and female Quebec Francophones (QFs). The items occurred in neutral carrier sentences such that no contextual cues help ASR identify the targets. Th-initial vs t-initial (thank-tank) and h-initial vs vowel-initial (heat-eat) items were used to investigate the potential for feedback on the QF errors of th-substitution, h-deletion, and h-epenthesis, comparing real-word (thank→tank) vs nonword output (thief→tief). As with predictable contexts in our previous research, we observed high transcription accuracy for real words only. Without contextual cues, accuracy rates were lower than in predictable contexts for correctly pronounced items but higher than for incorrect pronunciations constituting real words. Unpredictable contexts are thus inferior at confirming correct pronunciation (confirmative feedback) but superior at flagging real-word errors (corrective feedback). Contrary to the anticipated ASR gender bias, female recordings showed higher transcription accuracy than male recordings. Our findings both confirm the usefulness of GT’s ASR for generating pronunciation feedback and highlight the importance of context (predictable vs unpredictable) and lexical status (real vs nonword).
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».