Assessing the Pedagogical Potential of Google Translate's Speech Capabilities: Focus on French Pronunciation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
As the capabilities of web-based machine translation develop, online translators such as Google Translate (GT) have attracted computer-assisted language learning (CALL) researchers’ attention for their potential to aid second/foreign language (L2) instruction. Using its built-in text-to-speech (TTS) and automatic speech recognition (ASR) features, GT can be used for L2 pronunciation practice. The aim of this study (part of a larger project investigating L2 learners’ use of speech technologies in homework settings) is to examine the impact of self-regulated pronunciation practice using GT's TTS and ASR features on the development of French liaison (the re-syllabification of latent consonants when they appear in consonant-plus-vowel contexts across words, e.g., /z/ in tes amis [te.za.mi] “your friends”). Participants were 20 adult beginner learners of French studying at an English-speaking university in Canada. Their phonological development (i.e., awareness, perception, and production) was assessed before (pretest) and after (immediate and delayed posttests) the completion of a semi-autonomous, GT-based pronunciation practice. The results of the analysis of variance (ANOVA, the statistical method used) indicate that the proposed treatment led to a statistically significant improvement in liaison production between the pretest and the delayed posttest, while phonological awareness and perception remained unaffected, probably due to a ceiling effect.
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.
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 | 0,000 |
| 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 | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,027 | 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 découle