Transforming child speech data into clinical-grade artificial intelligence pipelines for speech-language impairment detection
Notice bibliographique
Résumé
Diagnosing speech-language impairments in children using AI requires an end-to-end audio processing pipeline capable of handling heterogeneous datasets, speech variability, and clinical-grade accuracy. This study presents a framework that converts raw child speech into AI-ready datasets through rigorous standardization, quality assurance, and explainability. The process begins with automated file restructuring and metadata-tagging to seamlessly integrate audio, video, and transcripts. Advanced preprocessing techniques—such as spectral noise reduction, silence normalization, and adaptive segmentation—produce clean datasets while preserving critical linguistic and acoustic features. The Montreal Forced Aligner synchronizes speech and transcripts at the phonetic level, enabling detailed speaker diarization and annotation. At its core, the AI pipeline employs fine-tuned models like Whisper for ASR and neural network classifiers trained on high-dimensional acoustic and prosodic embeddings. A custom bias analysis framework ensures fairness across diverse demographics, while explainable AI-powered phonetic grading and speech analysis deliver actionable insights for clinicians. Automated orchestration via GitHub Actions minimizes manual effort, enhancing scalability and operational efficiency. By prioritizing clinical interpretability and data security, this framework sets a new benchmark for detecting speech-language impairments, advancing speech pathology and AI research.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 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 ».