Impaired prosodic processing but not hearing function is associated with reduced recognition of AI speech in older adults
Notice bibliographique
Résumé
Voice artificial intelligence (AI) technology becomes increasingly common in everyday life, for example, in automated phone services, voice assistive systems (e.g., Siri), and social chat bots. However, most research has focused on how younger adults perceive modern AI speech, leaving the development of this technology age-uninformed. Recent work indicates that older adults are less able to identify modern AI speech compared to younger adults, but the underlying causes are unclear. The current study with younger (N=133; 22-39 years) and older adults (N=146; 54-79 years) investigated potential factors that could explain the age-related reduction in AI speech identification. In Experiment 1, we investigated whether high-frequency information in speech – to which older adults have less access due to hearing loss – contributes to age-group differences, but our results showed that older adults were less able to identify AI speech for both full-bandwidth speech and speech for which information above 4 kHz was removed. This result makes the contribution of hearing loss less likely. In Experiment 2, we investigated whether the known age-related reduction in the ability to process prosodic information in speech predicts the reduction in AI speech identification. Indeed, the ability to identify AI speech was greater in individuals who also showed a greater ability to identify emotions from prosodic speech information, after accounting for hearing function and self-rated experience with voice AI systems. The current results suggest that the ability to identify AI speech is related to the accurate processing of prosodic information.
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 | 0,000 | 0,000 |
| 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 | 0,001 | 0,002 |
| 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 ».