The role of genre association in Sung Dialect categorization
Notice bibliographique
Résumé
Genre-associated sociocultural cues may influence dialect recognition when listening to music. Previous work identifies genre-specific sociolects [Coupland, 2011, J. Socioling. 15]; singers make genre-dependent production changes [Gibson, 2019, U.Canterbury Diss.]; and accent is perceived with greater ease in song compared to speech [Mageau et al., 2019, Phonetica 76]. However, the role of genre associations in dialect categorization has not been sufficiently addressed. Our previous work suggests that genre identification may play a larger role in this than auditory speech cues [Walter et al., 2023, J. Acoust. Soc. Am. 154]. We investigate this further using a dialect-identification task with improved “spoken” stimuli. Participants heard sung clips (original instrumental-free vocals) and manipulated “spoken” clips (instrumental-free vocals, monotonized and rhythm-normalized) from counterbalanced genres with greater ease of vocal isolation: U.S. folk with some intra-genre dialect variation, and blues with strong associations to African American English [De Timmerman et al., 2024, J. Socioling. 28]. A superior vocal remover and lyrical transcripts were implemented. As predicted, in the sung context, participants identified genre-associated dialects consistently for both genres, but slightly more so for blues. Varied responses to the “spoken” context supports that listeners use genre information in musical dialect perception.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».