Building a searchable online corpus of Australian and New Zealand aligned speech
Notice bibliographique
Résumé
Advances in automatic speech recognition technology, increases in bandwidth availability, and the widespread use of video streaming and sharing platforms have opened new horizons for corpus phonetics. CoANZSE Audio, a searchable online version of the Corpus of Australian and New Zealand Spoken English, provides access to over 195 million words of transcribed speech from transcripts of videos uploaded to YouTube by councils and other local government entities in Australia and New Zealand. Audio and forced alignment files are also available, making the resource suitable for the investigation of a range of research questions pertaining to morphosyntax, phonetics, and discourse. The resource, which is freely available via login through CLARIN, Europe’s main language resources infrastructure network, was created through the use of open-source tools and software: yt-dlp, a Python library for collecting data from video and streaming websites; the Montreal Forced Aligner, a recent neural network alignment suite; and Parselmouth-Praat, Python bindings for the Praat acoustic analysis software. The website is powered by BlackLab, which combines a powerful search engine based on Apache Lucene with an intuitive web frontend. CoANZSE Audio may be useful for the investigation of regional differentiation of language features, and with additional annotation, differences in feature use according to social or demographic groups. Recent applications have included studies of double modals, a rare syntactic feature, and apology sequences. The nature of the audio and alignment data may make the resource especially suitable for the study of regional phonetic variation. Furthermore, the methods used to create the resource may be of interest to researchers seeking to adopt a pipeline approach for the creation of specialized corpora from publicly available online content.
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 | 0,003 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,028 | 0,015 |
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 ».