The phonetically balanced kindergarten assessment: An alternative evaluation method utilizing machine learning technology
Notice bibliographique
Résumé
This study investigates the use case of machine learning (ML) technologies to score the Phonetically Balanced Kindergarten (PBK) word test. The PBK, developed to test pediatric speech perception, is also used to monitor outcomes of cochlear implantation (CI) in children. Many factors contribute to high PBK score variability in CI users, but effects of scoring by human listeners are unclear. In this study, an alternate ML scoring method was developed. The Ursa classifier (Speechmatics, 2023) was used to recognize 100 PBK words spoken by 12 adults with normal hearing, speech, and language. The spoken words (n = 1200) were manipulated in six conditions (first and last phoneme deletion; high frequency filtering at 1, 2, 4, and 6 kHz), yielding 8400 stimuli. The classifier correctly recognized most of the unaltered words (true positive rate of 0.90; peak distribution density at 96%) and provided a null or incorrect response to altered stimuli as expected; most frequently for the first phoneme deletion and 1 kHz filtered conditions. Inter-class correlations showed comparable results between Ursa and 7 normal hearing human scorers (Cohens Kappa: 0.39). Thus, ML tools show promise in the scoring of the PBK; increasing the accuracy, efficiency, and reliability of this clinical assessment.
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 | 0,005 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».