A new experimental design to study speech adaptations in spontaneous human-computer conversations
Notice bibliographique
Résumé
Interest is growing for how human interlocutors make phonetic adaptations during spontaneous conversations. Given the increasing popularity of AI chatbots, research also needs to account for adaptations in human–computer interactions, an area under-investigated presumably due to methodological challenges in generating controlled conversational responses. Most studies involve scripted computer output, which may obstruct the dynamicity and the oral–aural medium of a natural conversation. To circumvent these constraints, we present a new experimental design that generates unscripted audio computer responses in human–computer conversations during a collaborative game played on Zoom. This design is unique in several aspects. First, the game (Escape Room) requires discussions on placing pictures (depicting target words/sounds) in specific locations, where misperceptions of target words between interlocutors may cause confusions, thus motivating natural adaptations. Second, to enable real-time computer responses, we adopt the wizard-of-oz paradigm typically used in the field of human–computer interaction, where a human confederate inputs text responses behind-the-scenes. Third, a programmable text-to-speech synthesizer converts the text input to audio output. The design demonstrated in this presentation opens the door to new analyses, tracking the dynamicity of speech adjustments over time. Moreover, it is generalizable to studying speech adaptations across interlocutor backgrounds.
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 | 0,000 |
| Science ouverte | 0,001 | 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 ».